企业官网建设流程全解析

用Python和NumPy动手画一画：8种离散正弦变换（DST）的‘基图像’长啥样？

当你在处理图像压缩或信号处理时，可能听说过离散余弦变换（DCT），但它的近亲——离散正弦变换（DST）同样值得关注。今天，我们就用Python和NumPy来亲手绘制DST-I到DST-VIII这8种变换的基图像，看看这些数学公式背后的视觉模式究竟长什么样。

1. 准备工作：理解DST的基本概念

离散正弦变换是信号处理中常用的一类正交变换，与离散余弦变换类似，但使用正弦函数而非余弦函数作为基函数。DST有8种主要变体（I-VIII），每种对应不同的边界条件和对称性。

为什么需要8种不同的DST？这源于信号延拓方式的不同：

• 奇对称延拓：产生正弦函数的基
• 不同的延拓点：导致不同的频率采样方式
• 归一化系数：确保变换的正交性

在开始编码前，我们需要安装必要的Python库：

pip install numpy matplotlib

2. 构建DST核函数

每种DST类型都有其独特的变换核。让我们用NumPy实现所有8种类型的核函数：

import numpy as np def dst1_kern(N): """DST-I核函数""" x = np.zeros([N, N]) for k in range(N): x[k, :] = np.sin(np.pi * (k + 1) * (np.arange(N) + 1) / (N + 1)) x *= np.sqrt(2. / (N + 1)) return x def dst2_kern(N): """DST-II核函数""" x = np.zeros([N, N]) for k in range(N): x[k, :] = np.sin(np.pi * (k + 1) * (2 * np.arange(N) + 1) / (2 * N)) x[-1, :] /= np.sqrt(2) x *= np.sqrt(2. / N) return x # 类似地实现DST-III到DST-VIII的核函数 [...其余6种核函数实现...]

每种核函数的实现都遵循其数学定义，主要区别在于：

• 正弦函数的参数不同
• 归一化系数不同
• 某些特定行/列需要额外处理

3. 可视化基图像

有了核函数，我们可以生成并可视化基图像。基图像展示了变换如何分解信号：

import matplotlib.pyplot as plt def plot_basis_images(kern, title): N = kern.shape[0] img = kern.T @ kern # 生成所有基图像的组合 plt.figure(figsize=(10, 10)) plt.imshow(img, cmap='gray') plt.title(f'DST-{title} Basis Images (Combined)') plt.colorbar() plt.show() # 单独显示每个基图像 plt.figure(figsize=(15, 15)) for i in range(N): for j in range(N): plt.subplot(N, N, i*N + j + 1) basis_img = kern[[i], :].T @ kern[[j], :] plt.imshow(basis_img, cmap='gray') plt.axis('off') plt.suptitle(f'DST-{title} Individual Basis Images') plt.tight_layout() plt.show()

4. 8种DST基图像对比

让我们生成8×8的变换矩阵，并比较不同类型的DST基图像特征：

注意：DST-VII是现代视频编码标准H.266/VVC中采用的变换方式，因其在特定信号类型上的优异能量集中特性。

5. 不同尺寸下的基图像变化

变换尺寸(N)对基图像的影响很大。让我们看看N=4和N=8时的差异：

sizes = [4, 8] dst_types = ['I', 'II', 'III', 'IV', 'V', 'VI', 'VII', 'VIII'] for n in sizes: plt.figure(figsize=(20, 10)) for i, dst in enumerate(dst_types): kern = globals()[f'dst{dst.lower()}_kern'](n) combined_img = kern.T @ kern plt.subplot(2, 4, i+1) plt.imshow(combined_img, cmap='gray') plt.title(f'DST-{dst} (N={n})') plt.axis('off') plt.tight_layout() plt.show()

随着N增大，基图像表现出：

• 更高频的波动模式
• 更精细的细节表示能力
• 更复杂的交叉模式

6. 在图像压缩中的应用原理

DST基图像代表了信号可以被分解的不同频率分量。在压缩时：

1. 将图像分块(如8×8)
2. 对每块应用DST
3. 保留大幅值系数(通常为低频)
4. 丢弃小幅值系数(通常为高频)

def dst_compress(image, dst_type='VII', block_size=8, keep_ratio=0.2): """模拟DST压缩过程""" kern = globals()[f'dst{dst_type.lower()}_kern'](block_size) # 分块处理 compressed = np.zeros_like(image, dtype=float) for i in range(0, image.shape[0], block_size): for j in range(0, image.shape[1], block_size): block = image[i:i+block_size, j:j+block_size] coeffs = kern @ block @ kern.T # 保留前keep_ratio比例的系数 threshold = np.sort(np.abs(coeffs).ravel())[-int(keep_ratio*block_size**2)] coeffs[np.abs(coeffs) < threshold] = 0 # 重构块 compressed[i:i+block_size, j:j+block_size] = kern.T @ coeffs @ kern return compressed

7. 实际效果对比

让我们用不同DST类型压缩同一幅图像，比较效果：

from skimage import data image = data.camera().astype(float)/255 dst_types = ['I', 'II', 'IV', 'VII'] plt.figure(figsize=(15, 10)) for i, dst in enumerate(dst_types): compressed = dst_compress(image, dst_type=dst) plt.subplot(2, 2, i+1) plt.imshow(compressed, cmap='gray') plt.title(f'DST-{dst} Compression (PSNR: {peak_signal_noise_ratio(image, compressed):.2f}dB)') plt.axis('off') plt.tight_layout() plt.show()

从实验结果可以看到：

• DST-VII通常提供最佳压缩效果
• DST-I因边界处理方式不同，可能产生更多块效应
• DST-IV在某些纹理区域表现优异

8. 进阶：自定义DST可视化工具

为了更深入理解，我们可以创建一个交互式可视化工具：

from ipywidgets import interact, Dropdown, IntSlider @interact def explore_dst( dst_type=Dropdown(options=[(f'DST-{i}', i) for i in ['I','II','III','IV','V','VI','VII','VIII']]), size=IntSlider(min=4, max=16, step=2, value=8), component_x=IntSlider(min=0, max=7, value=0), component_y=IntSlider(min=0, max=7, value=0) ): kern = globals()[f'dst{dst_type.lower()}_kern'](size) basis_img = kern[[component_x], :].T @ kern[[component_y], :] plt.figure(figsize=(8, 4)) plt.subplot(1, 2, 1) plt.imshow(kern.T @ kern, cmap='gray') plt.title(f'All {dst_type} Basis (N={size})') plt.subplot(1, 2, 2) plt.imshow(basis_img, cmap='gray') plt.title(f'Component ({component_x},{component_y})') plt.colorbar() plt.show()

这个工具允许你：

• 选择DST类型
• 调整变换尺寸
• 查看特定频率分量对应的基图像
• 直观理解不同基图像对信号的影响