opencv环境下对其进行小波变换，观察小波变换后的高频子图和低频子图

在OpenCV环境中进行小波变换（Wavelet Transform），通常涉及使用OpenCV提供的`dwt`函数，它是Discrete Wavelet Transform的缩写，用于将图像分解成高频（细节）和低频（粗略信息）两个部分。以下是基本步骤：

1. **导入所需库**：
首先，你需要引入OpenCV和其他必要的数学库（如numpy）。

import cv2
import numpy as np

2. **读取图像**：
使用`cv2.imread()`函数加载需要处理的图片。

img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)

3. **小波变换**：
将图像转换为离散小波变换（DWT）的一级分解（通常从水平和垂直方向开始）。OpenCV支持多种小波基，如Haar、Daubechies等。

# 例如使用haar小波
waveletcoeffs = cv2.dwt(img, cv2.DWT_HAAR)

4. **分离高低频子图**：
`waveletcoeffs`是一个二维数组，包含了高、低频子带的信息。你可以通过索引来获取这两个部分：`coeffs coeffs_hi`（高频）和`coeffs_lo`（低频）。

coeffs_hi, coeffs_lo = waveletcoeffs

5. **可视化结果**：
可以分别对高频和低频子图进行显示，观察它们包含的不同特征。

cv2.imshow("High Frequency", coeffs_hi)
cv2.imshow("Low Frequency", coeffs_lo)
cv2.waitKey(0)
cv2.destroyAllWindows()