python图像分解低高频部分

在Python中，通常使用频域处理技术来分解图像的高低频部分。最常见的方法是傅里叶变换（Fast Fourier Transform, FFT），它将图像从空间域转换到频域。通过FFT，可以得到图像各个频率成分的分布，高频率对应的是图像细节（如边缘、纹理等），而低频率则包含主要的结构和色彩信息。

`scikit-image`库提供了一个方便的工具`pywt`（PyWavelets），可以进行小波分解，这是一种基于信号的细化和重构过程，能更好地分离出图像的高频和低频成分。小波分析可以更精细地控制哪些频率细节被保留，哪些被丢弃。

以下是使用`wavelet`模块进行简单图像分解的一个例子：

from skimage import io, transform
import pywt

# 加载图像
image = io.imread('image.jpg', as_gray=True)

# 小波分解
coeffs = pywt.wavedec2(image, 'db4')  # 使用'db4'小波基函数

# 获取低频系数（L1）
low_freq = coeffs[0]

# 获取高频系数（H1至Hn）
high_freq = [coeffs[i] for i in range(1, len(coeffs))]