xmh_haar — 2D `transform` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "xmh_haar", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

Verwendung

Haar-Wavelet-Transformation (`mahotas.haar`). Beschneidet das Bild vor der Transformation auf eine gerade Größe und stellt das resultierende Koeffizientenarray -- ein Matlab-artiges In-Place-Layout, bei dem die Approximations-/Horizontal-/Vertikal-/Diagonal-Subbänder in ein Array derselben Größe wie das Originalbild gepackt sind -- nach Min-Max-Normalisierung direkt als Bild dar.

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

分解レベルは 1 段固定。`a, b` は未使用。値そのものは復元可能な画像ではなく係数の可視化であることに注意。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_geometry

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery2d_geometry — py -3.11 examples/gallery2d_geometry.py

Typkompatible Folge-Operatoren (nehmen `image` als Eingabe)

identity · gaussian · mean_box · bilateral · unsharp · median · min_filter · max_filter

Gleiche Kategorie (`transform`)

xmh_daubechies · tf_radon_sinogram

*Provenance: ops.py — 2D Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

xmh_haar — 2D transform op