contourlet变换和反变换，可选择不同的拉布拉斯滤波器，方向滤波器，设置方向分解数目

示例：两层分解重构 load woman; [c,s]=wavedec2(X,2,'sym4'); a0=waverec2(c,s,'sym4'); subplot(1,2,1); imshow(X,[]); Title('Original Image'); subplot(1,2,2); imshow(a0,[]); Title('Image using idwt2');

文章是描述二维提升小波变换的图像融合，何伟。将图像进行提升小波变换，分别对高低频采用不同的融合方法，得到融合后图像。 并引入信息熵、相关系数和清晰度等性能指 标对融合后的图像进行分析。 实验结果表明，此提升方法在融合图像质量上优于传统小波变换需要的可以下载

使用 DEAP 数据集从脑电图信号进行情绪识别，准确率为 86.4%。应用了多种机器学习模型，并实现了DWT算法等各种信号转换算法。 并对数据进行了归一化、离散小波变换、划分频段、提取频域特征等等处理。

C++实现灰度图像正交变换，包括傅里叶变换、离散余弦变换、沃尔什变换，小波变换（bmp灰度图像），VC6.0里运行无误

离散小波变换dwt matlab代码 服务 主分支 特拉维斯 传送带 阅读文档 内容 PyWavelets是一个免费的开源库，用于Python中的小波变换。 小波是在时间和频率上都局部化的数学基础函数。 小波变换是采用小波的时频变换。 它们类似于傅立叶变换，不同之处在于傅立叶变换仅在频率而不是时间和频率上定位。 PyWavelets的主要功能是： 1D，2D和nD正向和反向离散小波变换（DWT和IDWT） 1D，2D和nD多层DWT和IDWT 一维和二维固定小波变换（未抽取小波变换） 一维和二维小波包分解与重构 一维连续小波变换 计算小波和缩放函数的近似值 超过100个并支持自定义小波 单精度和双精度计算 真实和复杂的计算 与Matlab Wavelet Toolbox（TM）兼容的结果 可在以下网址在线获取带有详细示例的文档以及指向更多资源的链接。 有关更多用法示例，请参见源包中的目录。 PyWavelets支持> = 3.5，并且仅依赖于（受支持的版本当前>= 1.13.3 ）。 要通过所有测试，也是必需的。 也是可选的依赖项。 如果存在，基于FFT的连续小波变换将使用来自SciP

手指静脉识别技术作为一种新型的非接触式生物认证技术,具有可靠性高,验证便捷,识别精度高和活体识别等特点。与传统认证技术不同,它在易用性与可靠性之间达到较好的平衡,但是该技术在图像采集、预处理和特征提取与匹配等方面仍存在一些问题,而本文研究目的就在于研究和解决上述问题。 本文分析了手指静脉识别技术的基本原理,设计了手指静脉图像处理流程,研究了图像采集、静脉图像区域定位、静脉纹路提取、静脉特征提取与匹配等原理与实现, Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基，但在特定参数下可构成紧框架

详细的介绍了小波变换算法的概念，和运用，帮助入门。

WAVELIFT：基于提升方法的多级离散二维小波变换。 c = wavelift(x, nlevel, wname) 根据nlevel 的值： nlevel > 0：将二维矩阵 x 分解为 nlevel 级别； nlevel < 0：做逆变换到nlevel level； nlevel = 0：设置c等于x； wname 是用于 DWT 或 IDWT 的小波名称。 可以省略。 如果是这样，WAVELIFT 使用默认的 Cohen-Daubechies-Feauveau (CDF) 9/7 小波，即'cdf97'。目前WAVELIFT只支持两种小波，即cdf97和名为'spl53'的spline 5/3。 但是，借助下图所示的有组织的提升结构，它可以适应其他特定的提升实现方式。 大多数情况下唯一需要的只是修改结构 L 和模式以指示有损或无损压缩。 WAVELIFT 调用另一个函数 CO

散斑在OCT图像中既是信息载体，也是一种严重的噪声。针对OCT图像的这一特点，提出一种基于小波变换和维纳滤波相结合的OCT图像去噪方法。通过对OCT图像进行小波分解，得到四个不同频带的子图像，保持低频部分不变，对另外三个高频细节图像进行维纳滤波，将低频子图像和三个滤波后的高频细节子图像进行小波反变换，得到去噪后的图像。实验结果表明小波变换和维纳滤波相结合的方法对OCT图像有比较理想的去噪效果。