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

> Für diesen Operator gibt es noch keine Übersetzung. Es folgt der Originaltext unverändert.

低周波再構成画像。`db2` で分解し、全ての詳細係数を 0 に潰して近似成分だけから逆変換で再構成する —— ガウシアンぼかしに近い、多段ウェーブレットによる平滑化画像になる。

`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