在JupyterLab上写一个对一张灰度图像进行图像压缩的代码

好的，以下是一个基于小波变换的灰度图像压缩代码示例：

import numpy as np
import matplotlib.pyplot as plt
import pywt

def compress_image_gray(img_path, compress_ratio):
    # 读入灰度图像
    img = plt.imread(img_path)
    img_gray = np.mean(img, axis=-1)
    
    # 进行小波变换
    coeffs = pywt.dwt2(img_gray, 'haar')
    
    # 计算阈值
    threshold = np.sort(np.abs(coeffs[1].ravel()))[::-1][int(compress_ratio * len(coeffs[1].ravel()))]
    
    # 进行阈值处理
    coeffs = list(coeffs)
    coeffs[0] = np.round(coeffs[0])
    coeffs[1] = np.where(np.abs(coeffs[1]) < threshold, 0, coeffs[1])
    coeffs[2] = np.where(np.abs(coeffs[2]) < threshold, 0, coeffs[2])
    
    # 进行小波逆变换
    img_compressed = pywt.idwt2(coeffs, 'haar')
    
    # 显示原图和压缩后的图像
    fig, ax = plt.subplots(1, 2, figsize=(10, 5))
    ax[0].imshow(img_gray, cmap='gray')
    ax[0].set_title('Original Image')
    ax[1].imshow(img_compressed, cmap='gray')
    ax[1].set_title(f'Compressed Image ({int(compress_ratio*100)}% compression ratio)')
    plt.show()

# 测试代码
img_path = 'test_gray.png'
compress_ratio = 0.5  # 压缩比例为 50%
compress_image_gray(img_path, compress_ratio)

在这个代码示例中，我们首先读入一张灰度图像，然后使用 pywt 库进行小波变换。通过计算阈值并对小波系数进行阈值处理，可以实现图像的压缩。最后，使用小波逆变换将压缩后的小波系数恢复为图像，并在一个子图中显示原图和压缩后的图像。

你可以将代码复制到 JupyterLab 中运行，修改 img_path 和 compress_ratio 参数以适应不同的图像文件和压缩比例。