python小波变换分离图像低频和高频部分，再用小波逆变换合成低频和高频

Python中可以使用PyWavelets库来进行小波变换，该库提供了一套完整的工具用于处理信号分析和重构，包括离散小波变换（DWT）。小波变换是一种将信号分解成频率和空间信息的方法，它能有效地分离出图像中的低频成分（包含主要的结构信息）和高频细节（如边缘和纹理）。

首先，你需要安装`pywt`库：

pip install pywt

接下来是一个简单的步骤概述：

1. **加载图像并应用小波变换**：

   from skimage import io
   from pywt import wavedec2

   img = io.imread('your_image.jpg', as_gray=True)  # 读取灰度图像
   coeffs = wavedec2(img, 'db4')  # 使用Daubechies 4级小波，'db4'是小波基名称
   ll, hl, lh, hh = coeffs  # 分别代表低频、水平、垂直和高频率系数

2. **提取低频和高频部分**：
`ll`通常包含了大部分的图像结构信息，而`hh`, `lh`, 和 `hl`则包含了更多的细节。

3. **小波逆变换重建图像**：

   recon_img = wavedec2(ll, 'db4', mode='reconstruct')  # 仅还原低频部分
   detail_img = np.concatenate((lh, hh, hl), axis=-1)  # 合并所有高频系数
   full_recon = reconstruct(recon_img, detail_img)  # 使用pywt库中的函数合并低频和细节

4. **显示结果**：

   io.imsave('low_freq_output.jpg', recon_img)
   io.imsave('high_freq_output.jpg', full_recon)

记得替换 `'your_image.jpg'` 为实际的图像文件路径。在这个过程中，`full_recon` 就是原始图像的一个近似，通过低频和高频信息的重构。