基于Minh N. Do的Contourlet变换算法实现

资 源 简 介

本项目基于Contourlet变换提出者Minh N. Do的经典学术论文及其MATLAB源码，构建了一套完整的多尺度几何分析图像处理系统。Contourlet变换被称为“不仅具有小波变换的多尺度特性，还具有方向性”的新型图像表示方法，旨在解决传统小波变换在表示图像二维纹理和边缘轮廓等高维奇异性时的效率不足问题。该项目的核心功能是实现一种双滤波器组结构：首先利用拉普拉斯金字塔（Laplacian Pyramid, LP）对图像进行多尺度分解以捕获点奇异性，随后针对每一层的高频分量，使用方向滤波器组（Directional Filter Bank, DFB）将其进一步链接成线性结构，从而高效地捕获图像中的平滑轮廓和方向纹理。代码实现了灵活的多分辨率、局部定位及多方向性分析，支持对任意尺寸图像进行正向Contourlet分解得到稀疏系数，并能通过逆变换实现图像的完美重构。此外，项目还包含滤波器设计模块和可视化工具，可用于演示基函数的支撑区间及频域划分。该源码是从事多尺度图像处理、图像去噪、压缩编码、特征提取及模式识别研究人员的重要参考资料，能够帮助用户深入理解多尺度几何分析（MGA）在超越小波变换方面的优势。

详 情 说 明

基于Minh N. Do论文的Contourlet变换算法实现与应用

项目简介

本项目复现并实现了一种基于Minh N. Do经典学术论文的Contourlet变换（轮廓波变换）图像处理系统。Contourlet变换作为一种多尺度几何分析（MGA）工具，旨在克服传统小波变换在处理图像高维奇异性（如平滑轮廓和方向纹理）时的局限性。

本代码主要基于MATLAB环境，构建了一个完整的双滤波器组结构系统，能够对图像进行多尺度、多方向的稀疏分解，并能通过逆变换实现图像的完美重构。与传统的空间域下采样实现不同，为了演示清晰度及频域处理的精确性，本项目采用频域掩膜（Frequency Domain Masking）的方式模拟拉普拉斯金字塔（LP）与方向滤波器组（DFB）的级联，这种实现方式在视觉效果和稀疏特性上等效于无下采样Contourlet变换（NSCT），具有平移不变性。

主要功能特性

• 多尺度几何分析：实现了能够同时捕获点奇异性（通过多尺度分解）和线奇异性（通过方向分解）的图像表示方法。
• 频域实现架构：利用FFT和频域掩膜技术代替传统的时域卷积与下采样，避免了边界处理的复杂性，并自然保持了图像的全分辨率（Shift-invariant）。
• 灵活的参数配置：支持自定义金字塔分解层数及每一层对应的方向分解级数（如将高频分为8、16、32个方向）。
• 非线性逼近与去噪：演示了基于系数阈值保留（如仅保留幅度最大的10%系数）的图像压缩与去噪能力。
• 完美重构验证：实现了从变换系数到原始图像的逆变换，通过计算残差验证算法的重构精度。
• 全方位可视化：提供了包含原始图像、系数分布、频域划分示意、重构图像、逼近结果及残差图的综合展示界面。

系统要求与运行环境

• 编程语言：MATLAB
• 工具箱依赖：Image Processing Toolbox (用于图像灰度转换及Phantom图像生成)
• 版本建议：推荐使用 MATLAB R2016a 及以上版本以获得最佳图形显示效果。

核心算法逻辑与实现细节

本项目以 main.m 为核心入口，整个处理流程严格遵循以下步骤：

1. 初始化与图像生成

系统不依赖外部图片文件，而是利用MATLAB内置函数生成 Modified Shepp-Logan Phantom 仿真图像（512x512）。随后将图像转换为灰度并归一化到 [0, 1] 区间，确保处理数据的数值稳定性。

2. Contourlet 正向分解 (算法核心)

代码通过 contourlet_dec 函数实现分解过程。

• 参数配置：设定分解层向量 nlevels（例如 [3, 3, 4]），表示从细尺度到粗尺度分别将高频分量分解为 $2^3, 2^3, 2^4$ 个方向。
• LP分解 (多尺度)：在循环中，利用各向同性的低通和高通频域滤波器将图像分离为低频（逼近）和高频（细节）分量。低频分量作为下一层分解的输入。
• DFB分解 (多方向)：针对每一层的高频分量，生成对应数量的方向扇形掩膜（Wedge Masks），在频域进行切割，从而提取出不同方向的纹理细节。
• 特性说明：代码注释中明确指出，为了保持全分辨率利于特征提取，此处未进行物理下采样，采用了类似无下采样Contourlet变换（NSCT）的架构。

3. 非线性逼近

通过 threshold_coeffs 逻辑，模拟图像压缩或去噪过程。系统计算所有Contourlet系数的幅度，仅保留能量最强的一部分系数（默认为10%），将其余小系数置零。这一步展示了Contourlet变换在稀疏表示方面的优势。

4. Contourlet 逆变换 (重构)

通过 contourlet_rec 函数实现图像恢复。

• 逆向合成：从最粗尺度的低频分量开始，逐层向上合并。
• 子带求和：由于正向变换是在频域通过掩膜分割的（假设掩膜和为1），逆变换过程简化为将各方向子带信号直接求和，再叠加低频分量，从而恢复出上一层的图像。
• 质量验证：同时对“原始完整系数”和“处理后的稀疏系数”进行重构。

5. 结果评估与可视化

系统最后会计算并输出量化指标，并绘制综合图表：

• 量化指标：计算重构图像的峰值信噪比 (PSNR) 和均方误差 (MSE)。
• 可视化图表：

* 原始图像：归一化后的输入图。 * Contourlet系数：展示多尺度多方向的稀疏系数分布。 * 频域方向划分：演示方向滤波器在频域的楔形支撑区间（可视化基函数特性）。 * 完美重构：展示无损重构结果及极小的数值误差。 * 非线性逼近：展示仅保留10%系数后的重构效果及对应的PSNR值。 * 残差图像：显示原始图像与逼近图像之间的差值，直观反映丢失的信息。

使用方法

1. 确保MATLAB当前路径包含项目的源码文件。
2. 在MATLAB命令窗口输入 main 并回车，或在编辑器中打开 main.m 并运行。
3. 系统将自动生成测试图像，执行全套变换流程，并在控制台输出耗时与评价指标。
4. 运行结束后，会弹出一个包含6个子图的图形窗口，展示从输入到重构的完整分析结果。