将图像分解为高频子带和低频子带 matlab

可以使用matlab中的DWT（离散小波变换）函数来将图像分解为高频子带和低频子带。

以下是一个简单的示例代码：

% 读取图像
image = imread('lena.bmp');

% 对图像进行离散小波变换
[cA, cH, cV, cD] = dwt2(image, 'haar');

% 显示低频子带
imshow(uint8(cA));

% 显示高频子带
figure;
subplot(2,2,1); imshow(uint8(cH)); title('Horizontal'); 
subplot(2,2,2); imshow(uint8(cV)); title('Vertical');
subplot(2,2,3); imshow(uint8(cD)); title('Diagonal');

首先，我们使用imread函数读取图像。接下来，我们使用dwt2函数对图像进行离散小波变换。该函数的第二个参数指定小波基函数，这里选择haar小波。

变换后，我们得到四个子带：cA（低频子带）、cH（水平高频子带）、cV（垂直高频子带）和cD（对角线高频子带）。我们可以使用imshow函数显示低频子带，并使用subplot和imshow函数显示高频子带。

相关问题

将可见光和红外光图像经过M通道过采样图滤波器组分解为高频子带和低频子带 matlab

代码示例：

% 加载图像
visible_img = imread('visible.jpg');
infrared_img = imread('infrared.jpg');

% 定义过采样倍数和滤波器组
M = 4;
filter_bank = generate_filter_bank(M);

% 对可见光图像进行过采样和滤波器组分解
visible_multiscale = multiscale_decomposition(visible_img, filter_bank, M);

% 对红外光图像进行过采样和滤波器组分解
infrared_multiscale = multiscale_decomposition(infrared_img, filter_bank, M);

% 显示低频子带和高频子带图像
figure;
subplot(2,2,1); imshow(visible_img); title('Visible image');
subplot(2,2,2); imshow(infrared_img); title('Infrared image');
subplot(2,2,3); imshow(visible_multiscale{1}); title('Visible low frequency');
subplot(2,2,4); imshow(infrared_multiscale{1}); title('Infrared low frequency');

figure;
for i=2:M
    subplot(2,M-1,i-1); imshow(visible_multiscale{i}); title(['Visible high frequency ' num2str(i-1)]);
    subplot(2,M-1,i+M-2); imshow(infrared_multiscale{i}); title(['Infrared high frequency ' num2str(i-1)]);
end

其中，`generate_filter_bank` 函数用于生成过采样滤波器组，代码如下：

function filter_bank = generate_filter_bank(M)
% 生成过采样滤波器组
% M: 过采样倍数
% filter_bank: 滤波器组，M-1个高通滤波器和1个低通滤波器

filter_bank = cell(1, M);
for i=1:M-1
    filter_bank{i} = generate_highpass_filter(i, M);
end
filter_bank{M} = generate_lowpass_filter(M);
end

function filter = generate_highpass_filter(k, M)
% 生成k级高通滤波器
% k: 滤波器级数
% M: 过采样倍数
% filter: 高通滤波器

if k == 1
    filter = [-1, 2, -1]/2;
else
    filter = conv(generate_highpass_filter(k-1, M), [-1, 2, -1]/2);
end
filter = upsample(filter, M);
end

function filter = generate_lowpass_filter(M)
% 生成低通滤波器
% M: 过采样倍数
% filter: 低通滤波器

filter = ones(1, M)/M;
end

`multiscale_decomposition` 函数用于实现过采样和滤波器组分解，代码如下：

function multiscale = multiscale_decomposition(img, filter_bank, M)
% 过采样和滤波器组分解
% img: 输入图像
% filter_bank: 滤波器组
% M: 过采样倍数
% multiscale: 分解得到的子带图像

multiscale = cell(1, M);
multiscale{M} = img;
for i=M-1:-1:1
    highpass = conv2(multiscale{i+1}, filter_bank{i}, 'same');
    multiscale{i} = downsample(highpass, M);
end
end

运行上述代码，即可得到可见光和红外光图像的高频子带和低频子带。需要注意的是，这里使用的是二维卷积和二维下采样来实现过采样和滤波器组分解，如果图像较大，可能会比较耗时。可以考虑使用基于FFT的快速算法来加速计算。

将可见光和红外光图像经过M通道过采样滤波器组多尺度分解为低频子带和高频子带 matlab

以下是将可见光和红外光图像经过M通道过采样滤波器组多尺度分解为低子带和高频子带的 MATLAB 代码示例：

% 读取可见光和红外光图像
visImg = imread('visible.jpg');
irImg = imread('infrared.jpg');

% 定义过采样滤波器组和分解层数
M = 3;
filters = getMFilters(M);
levels = 4;

% 对可见光图像进行M通道多尺度分解
visPyramid = getPyramid(visImg, filters, levels);

% 对红外光图像进行M通道多尺度分解
irPyramid = getPyramid(irImg, filters, levels);

% 定义低频子带和高频子带的尺度
lowScale = 1;
highScale = 2;

% 取出可见光图像的低频子带和高频子带
visLow = visPyramid{lowScale};
visHigh = visPyramid{highScale};

% 取出红外光图像的低频子带和高频子带
irLow = irPyramid{lowScale};
irHigh = irPyramid{highScale};

% 显示可见光图像和红外光图像的低频子带和高频子带
figure;
subplot(2,2,1); imshow(visLow); title('Visible Low');
subplot(2,2,2); imshow(visHigh); title('Visible High');
subplot(2,2,3); imshow(irLow); title('Infrared Low');
subplot(2,2,4); imshow(irHigh); title('Infrared High');

其中，`getMFilters` 函数用于生成M通道过采样滤波器组，代码如下：

function filters = getMFilters(M)
% 生成M通道过采样滤波器组
% M: 过采样因子

% 定义滤波器参数
alpha = 0.35;
beta = 0.4;
gamma = 0.25;

% 定义滤波器长度
L = 2*M+1;

% 生成滤波器组
filters = cell(1,M);
for m = 1:M
    h = zeros(1,L);
    for n = 1:L
        h(n) = alpha * (sin(pi*(n-M-1)/M) + gamma*cos(2*pi*(n-M-1)/M));
        if n == M+1
            h(n) = h(n) + beta;
        end
    end
    filters{m} = h;
end
end

`getPyramid` 函数用于对图像进行M通道多尺度分解，代码如下：

function pyramid = getPyramid(img, filters, levels)
% 对图像进行M通道多尺度分解
% img: 待分解的图像
% filters: 过采样滤波器组
% levels: 分解层数

% 将图像转化为灰度图像
if size(img, 3) == 3
    img = rgb2gray(img);
end

% 定义分解结果
pyramid = cell(1, levels);

% 对图像进行分解
for i = 1:levels
    if i == 1
        I = img;
    else
        I = pyramid{i-1}{1};
    end
    [height, width] = size(I);
    R = zeros(height, width, length(filters));
    for m = 1:length(filters)
        h = filters{m};
        convImg = conv2(I, h, 'same');
        R(:,:,m) = convImg;
    end
    pyramid{i} = {R};
end
end

以上代码可以实现将可见光和红外光图像经过M通道过采样滤波器组多尺度分解为低频子带和高频子带，并显示出来。根据实际需求，可以调整过采样因子、滤波器参数、分解层数等参数。