‘壹’ 通过小波变换怎么样能够改进图像压缩的质量和大小
1.如果你要找论文，请到到中国知网数据库http://dlib.cnki.net/kns50/
或者维普数据库http://202.120.203.253:8088/index.asp，数据库里多的是。
2. 图像的小波变换的提出的其中一个原因是，JPEG在低码率下存在方块效应等缺点，为了克服这些缺点而提出了图像经过小波变换后压缩。而且相对于DCT变换，DWT变换后压缩的效果更佳，因为在小波域不仅有频域还有空域信息。
3. 三言两语很难说清的，找本教科书看看就明白了
‘贰’ 求教matlab小波变换ebcot算法的图像压缩
clear all Y=imread('5.PNG'); [X,map]=gray2ind(Y,256); subplot(1,2,1); image(X); colormap(map); title('原始图像'); %采用默认的全局阈值 [thr,sorh,keepapp,crit]=ddencmp('cmp','wp',X); %图像进行压缩 Xc=wpdencmp(X,sorh,3,'bior3.1'
‘叁’ 紧急求助:在MTLAB下实现用小波变换对图像进行压缩处理的一个实例。包括完整的程序。
I=imread('cameraman.tif');
xd=im2double(I) ;
[m,n]=size(I); % 求出规范化矩阵x的行列数
%xd=double(x); % 将矩阵x的数据格式转换为适合数值处理的double格式
for i=1:2
[dLL,dHL,dLH,dHH]=dwt2(xd,'db1'); % 矩阵小波分解
tmp=[dLL,dHL;dLH,dHH]; % 将分解系数存入缓存矩阵
xd=dLL; % 将缓存矩阵左上角部分的子矩阵作为下一层分解的源矩阵
[row,col]=size(tmp); % 求出缓存矩阵的行列数
y(1:row,1:col)=tmp; % 将缓存矩阵存入输出矩阵的相应行列
end
yd=uint8(y); % 将输出矩阵的数据格式转换为适合显示图像的uint8格式
for i=1:2 % 对矩阵 yd 进行分界线处理，画出分解图像的分界线
m=m-mod(m,2);
n=n-mod(n,2);
yd(m/2,1:n)=255;
yd(1:m,n/2)=255;
m=m/2;n=n/2;
end
wname='db1'
n=2;
[c,s] = wavedec2(I,n,wname);
alpha = 1.5; m = 2.7*prod(s(1,:));
[thr,nkeep] = wdcbm2(c,s,alpha,m)
% Compression
[xd,cxd,sxd,perf0,perfl2] = wdencmp('lvd',c,s,wname,n,thr,'h');
%使用第二个axes
I2 = uint8(xd)
%axes(handles.axes2);
subplot(1,2,1);
imshow(I);
title('原始图像');
subplot(1,2,2)
imshow(I2);
title('压缩图像');
‘肆’ 小波变换在高光谱影像处理中的应用
小波分析在遥感图像处理中的应用起步比较晚，主要是对图像进行二维小波变换和重构，常用于一般遥感图像压缩、图像去噪、图像融合、图像纹理特征和边缘特征分析、图像插值处理、多卫星数据融合、图像数据分类等方面。
由于小波变换具有多分辨率分析的特点，在时、频两域都具有表征信号局部特征的能力，对高光谱波谱维进行小波分解能够同时保留信号高频与低频信息，精细地描述光谱的波峰和波谷等曲线特性，自动消除数据中的异常值，大大减少了特征光谱维数（Kaewpi－jit，2003），因而有利于高光谱后续处理。如基于小波变换，可提取信号在不同分级上的小波分量特征值，可利用特征值匹配方法实现了高光谱影像的分类（李新双等，2006）。结合小波变换的特点和非监督正交子空间迭代分解的方法，也可利用基于光谱维的小波低频系数特征或高频特征系数，进行混合像元投影迭代分解或亚像素目标识别（吴波等，2005；路威等，2005a）。孙桂玲等（2006）对典型地物的高光谱数据采用小波变换的分析方法，根据小波分解后的高频信息中包含重要信息的特点，提出了一种能够比较精确的提取出地物光谱各个吸收带的中心波长的光谱特征提取方法。
相对来说，小波变换在高光谱影像处理中主要用于高光谱影像数据的压缩（王晋等，2006）、融合、去噪（路威等，2005b；吴传庆等，2005）、影像分类、小波神经网络分类、影像亚像素目标识别、特征提取等。小波变换在高光谱影像数据的光谱分析和光谱特征提取中的应用还比较少，这方面应用以对各个像元或参考目标的高光谱数据进行小波变换为基础，主要用于光谱特征提取、目标识别与分类和高光谱遥感影像亚像素目标识别。
‘伍’ matlab中图像压缩技术是怎么实现的
基于小波分析的图像压缩方法很多 , 有小波包最好基方法 、小波域纹理模型方法 、变换零树压缩 、小波变换向量量化压缩等等，不过具体理论都是差不多的，区别是算法方式不同，有兴趣的可以去matlab的网站去看看 http://www.ilove matlab .cn 一个图像作小波分解后 , 可得到一系列不同分辨率的子图像 ,不同分辨率的子图像对应的频率是 不相同的 。高分辨率 ( 即高频) 子图像上大部分点的数值都接近于 0 , 越是高频这种现象越明显 。对一 个图像来说 ,表现一个图像最主要的部分是低频部分 ,所以一个最简单的压缩方法是利用小波分解 ,去 掉图像的高频部分而只保留低频部分 。 下面具体介绍利用 MA TLAB[ 2 ] 中二维小波分析一个图像 ( 即一个二维信号 , 设文件名为 wbarb. mat) 进行图像压缩的实例 。图像压缩可按如下程序进行处理 。 程序清单 : clear %清除 MA TLAB 工作环境中现有的变量 load wbarb ; %装入图像 %显示图像 subplot ( 221) ;image ( X) ; colormap ( map ) title ( ’原始图像’ ;) axis square disp ( ’压缩前图像 X 的大小 : ’ ;) Whos ( ’’X ) %= = = = = = = = = = = = = = = = = = %对图像用 bior3. 7 小波进行 2 层小波分解 [ c ,s ] = wavedec2 ( X ,2 ,’bior3. 7’ ;) %对图像用 bior3. 7 小波进行 2 层小波分解 [ c ,s ] = wavedec2 ( X ,2 ,’ bior3. 7’ ; ) %提取小波分解结构中第 1 层的低频系数和高 频系数 cal = appcoef2 ( c ,s ,’ bior3. 7’ ,l) ; ch1 = detcoef2 ( ’h' ,c ,s ,1) ; %水平方向 cv1 = detcoef2 ( ’V ’,c ,8 ,1) ; %垂直方向 cdl = detcoef2 ('d',C ,S ,1) ; %斜线方向 %分别对各频率成份进行重构 al = wrcoef2 ( 'a',c ,s ,’bior3. 7’ ,1) ; h1 = wrcoef2 ( ’h’,c ,s ,’bior3. 7’ ,1) ; v1 = wrcoef2 ( ’v’,c ,s ,’bior3. 7’ ,1) ; dl = wrcoef2 ( ’d’,c ,s ,’bior3. 7’ ,1) ; c1 = [ al ,hl ,v1 ,d1”; %显示分解后各频率成份的信息 subplot ( 222) ; image ( c1) ; axis squaretitle ( ’分解后低频和高频信息’ ;) %= = = = = = = = = = = = = = = = = = = %下面进行图像压缩处理 %保留小波分解第一层低频信息 , 进行图像的压缩 %第 1 层的低频信息即为 cal , 显示第 1 层的低频信息 %首先对第 1 层信息进行量化编码它处理即可获得较好的压缩效果 。在上面的例 子中,我们还可以只提取小波分解第 3 、4 … 层的低频信息 ,从理论上说 ,我们可以获得任意压缩比的压 缩图像 。由此可以看出 , 小波分析用于图像压缩具有明显的优点 。 在利用二维小波变换进行图像压缩时需要说明的是 : 小波变换为图像从空间域交换到时间域提供 了一种非常有效的方法 , 它的作用与以前在图像压缩中所用到的离散余弦变换 ( DCT) 、傅里叶变换等 的作用类似 。但是 ,要很好地进行图像的压缩 ,需要综合地利用多种其它技术 , 特别是数据编码与解码 算法等 ,所以利用小波分析进行图像压缩往往是借助小波分析和许多其它相关技术共同完成的 。
‘陆’ 小波如何图像压缩
小波图像压缩有两个主要因素，一个是滤波器，另一个是压缩编码算法。
单靠小波变换后，用滤波器滤掉 次要信号，再反变换回来，图像文件大小不会变的。
DWT 适合 图像压缩。
Coheb 和 Daubechies 等人的 9-7基 曾是许多人的首选。这些年有无新进展，我不清楚。
‘柒’ 基于小波变换的图像压缩方法（求个程序啊！用matlab实现图片无损压缩，一种算法即可）
clear all
Y=imread('5.PNG');
[X,map]=gray2ind(Y,256);
subplot(1,2,1);
image(X);
colormap(map);
title('原始图像');
%采用默认的全局阈值
[thr,sorh,keepapp,crit]=ddencmp('cmp','wp',X);
%图像进行压缩
Xc=wpdencmp(X,sorh,3,'bior3.1',crit,thr,keepapp);
%显示压缩结果
subplot(1,2,2);
image(Xc);
colormap(map);
title('全局阈值压缩图像');
‘捌’ 谁会用matlab实现小波变换对图片的压缩处理
subplot(1,2,1);
imshow(I);
title('原始图像');
subplot(1,2,2)
imshow(I2);
title('压缩图像');