xwt_lf_reconstruct — 2D `smoothing` op

• Datenarten: image → image

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

Verwendung

Niederfrequenz-rekonstruiertes Bild. Zerlegt mit `db2`, setzt alle Detailkoeffizienten auf 0 und rekonstruiert per inverser Transformation allein aus der Approximationskomponente -- das Ergebnis ist ein mehrstufig wavelet-geglättetes Bild, das einer Gauß-Unschärfe nahekommt.

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

`a は分解段数(1+int(a*3) で 1〜4 段)を振る —— 段数を増やすほど強くぼける。b` は未使用。出力は [0,1] にクリップ。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_smoothing_rank

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_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

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

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

Gleiche Kategorie (`smoothing`)

gaussian · mean_box · bilateral · unsharp · sk_tv · sk_wavelet · sk_rolling_ball · sk_nlm

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

xwt_lf_reconstruct — 2D smoothing op