Wavelet Transforms

Dieser Funktionsblock wendet wavelet-basierte Transformationen auf ein Graustufenbild an, um Detailstrukturen (hochfrequente Anteile) hervorzuheben und ein verarbeitetes Graustufen-Output zu erzeugen. Nützlich zur Merkmalsverstärkung, Kantenschärfung und Vorbereitung von Bildern für weitere Analysen.

📥 Eingänge

Input-Sockets

• Grayscale Image — Geben Sie ein einkanaliges (grau/binary) Bild an, das verarbeitet werden soll.

📤 Ausgänge

Output-Sockets

• Grayscale Image — Verarbeitetes Bild nach Wavelet-Transform und Rekonstruktion.

🕹️ Steuerungen

• Threshold Type — Wählen Sie die Wavelet-Familie / den Transformtyp aus, der angewendet werden soll. Unterschiedliche Auswahl betont unterschiedliche Detailcharakteristiken.

• WaveletLevel — Wählen Sie die Zerlegungsstufe (höhere Werte betonen gröbere Detailebenen).

🎨 Funktionen

• Einstellbare Wavelet-Familienauswahl zur Änderung des Stils der Detailextraktion.

• Konfigurierbare Zerlegungsstufe zur Steuerung der Skala der hervorgehobenen Details.

• Gibt ein einkanaliges Bild aus, das sich für weitere Verarbeitungsschritte (Filterung, Thresholding, Erkennung) eignet.

⚙️ Laufverhalten

Wenn der Block ausgeführt wird, verarbeitet er das Eingangsbild entsprechend den gewählten Parametern Threshold Type und WaveletLevel. Das Ergebnis ist ein rekonstruertes Graustufenbild, in dem Detailkomponenten betont sind und das für nachfolgende Blöcke bereitsteht.

📝 Nutzungshinweise

1. Verbinden Sie eine Graustufenbildquelle mit dem Eingang Grayscale Image.

2. Wählen Sie den gewünschten Threshold Type, um die Textur-/Detaileigenschaften zu treffen, die Sie betonen möchten.

3. Passen Sie WaveletLevel an, um die Detailskala zu steuern (niedrig beginnen und erhöhen, um die Effekte zu sehen).

4. Verwenden Sie den Block-Output mit Visualisierungs- oder Analyseblöcken, um das Ergebnis zu inspizieren oder weiter zu verarbeiten.

💡 Tipps und Tricks

• Wenn das Eingangsbild sehr groß ist, verwenden Sie vor diesem Block Image Resizer, um Verarbeitungszeit und Speicherbedarf zu reduzieren.

• Um Rauschen vor der Transformation zu reduzieren, leiten Sie das Bild zuerst durch Blur; das kann zu sauberer betonten Details führen.

• Nach der Wavelet-Verarbeitung können Sie Image Threshold oder Image Adaptive Threshold verwenden, um die hervorgehobenen Details in eine binäre Form für Erkennungsaufgaben zu überführen.

• Kombinieren Sie das Output mit Find Object oder Histogram On Line, um Formen zu erkennen oder linienbasierte Merkmale auf dem verbesserten Bild zu analysieren.

• Nutzen Sie Show Image, um Zwischenergebnisse schnell beim Tuning zu prüfen.

• Speichern Sie Beispiele oder Debug-Ausgaben mit Image Logger oder Image Write, während Sie eine Pipeline aufbauen und testen.

🛠️ Fehlerbehebung

• Wenn das Output zu laut oder fragmentiert wirkt, versuchen Sie, WaveletLevel zu reduzieren oder einen anderen Threshold Type zu wählen.

• Wenn keine sichtbare Veränderung auftritt, stellen Sie sicher, dass das Eingangsbild ein gültiges einkanaliges Graustufenbild ist und versuchen Sie, WaveletLevel leicht zu erhöhen.

• Wenn die Ergebnisse zu grob sind, verringern Sie WaveletLevel, um feinere Details zu betonen.