彩色图像小波去噪代码示例

以下是一个基于Python的彩色图像小波去噪的代码示例：

import pywt
import numpy as np
from skimage import io

# 加载彩色图像
img = io.imread('color_image.jpg')

# 将图像转换为YCbCr颜色空间
img_ycc = io.imread('color_image.jpg', as_gray=False)

# 从YCbCr图像中提取Y通道
img_y = img_ycc[:,:,0]

# 进行小波变换
coeffs = pywt.dwt2(img_y, 'haar')

# 将小波系数进行阈值处理
coeffs_thresh = [pywt.threshold(i, value=100, mode='soft') for i in coeffs]

# 进行小波反变换
img_y_denoised = pywt.idwt2(coeffs_thresh, 'haar')

# 将Y通道的去噪结果与原图像的Cb和Cr通道合并，得到去噪后的彩色图像
img_denoised = np.zeros_like(img_ycc)
img_denoised[:,:,0] = img_y_denoised
img_denoised[:,:,1] = img_ycc[:,:,1]
img_denoised[:,:,2] = img_ycc[:,:,2]

# 显示原图像和去噪后的图像
io.imshow(img)
io.show()
io.imshow(img_denoised)
io.show()

# 保存去噪后的图像
io.imsave('denoised_image.jpg', img_denoised)

在上述代码中，我们首先加载了一个彩色图像，并将其转换为YCbCr颜色空间。然后，我们从YCbCr图像中提取出Y通道，进行小波变换，并将小波系数进行阈值处理。最后，我们将Y通道的去噪结果与原图像的Cb和Cr通道合并，得到去噪后的彩色图像。最终，我们显示了原图像和去噪后的图像，并将去噪后的图像保存到了本地。