简介Curvelet MATLAB工具箱是一套基于Curvelet变换的MATLAB实现库面向图像处理与信号分析领域的科研人员和工程师用于图像去噪、压缩、增强及边缘特征提取等任务相比传统小波变换更能捕捉图像中的曲线与边缘结构适用于科研教学及工程实践。该压缩包共151个文件包含96个.m函数脚本、16个.hpp头文件与16个.cpp源码、9张示例图像以及readme、makefile等配套文档整体大小仅737KB便于快速部署和二次开发。目前已有578人学习下载是理解和应用Curvelet变换的实用参考。工具箱基于CurveLab 1.0实现提供USFFT和Wrapping两种算法的完整MATLAB接口用户可直接调用函数完成正反变换也可结合C源码理解底层原理并可通过options文件调整参数。包内还附带说明文档和示例图片适合开展阈值去噪、图像压缩重建等实验源码结构清晰便于按需修改与扩展。 上个月在跑图像去噪实验时被手头的 curvelet matlab 工具箱折腾得够呛——问题不是找不到代码而是装上之后第一条fdct_usfft就报错查遍论坛才发现是 mex 编译器和版本不对。后来把整个流程理顺又花了两个晚上。今天把整个使用体验、踩坑记录和核心细节都整理出来给准备用 curvelet 做多尺度几何分析的同行们一个可以照着走的参考。如果你正在用 Matlab 做图像处理、地震信号分析、偏微分方程数值解或者想找一个比小波更擅长“捕捉曲线状结构”的工具这篇文章应该能帮到你。curvelet 这个工具箱并不复杂但它和普通 matlab 函数包不一样很多文件需要编译而且参数设置直接决定结果好坏。我尽量用实际实验的角度来讲不堆理论。1. 为什么还要用 curvelet小波之后的几何多尺度分析1.1 小波、脊波与 curvelet 的关系先说清楚 curvelet 是什么。小波变换大家熟它能做多尺度分析但在二维图像里小波基是“点状”的也就是说它在表示边缘、曲线这类奇异特征时系数衰减较慢需要很多系数才能近似一条曲线。脊波Ridgelet通过沿直线方向积分能较好处理直线状特征但真实图像里直线太少曲线太多。curvelet 的思路是在脊波基础上加了一个“尺度-方向”的参数化让基函数像一个个“小条带”能够沿着曲线方向自适应变形。通俗地讲curvelet 可以把图像分解为不同尺度、不同方向上的“线元素”就像用小波处理点用 curvelet 处理线。这个工具箱正是基于这种理论实现的。它不是简单封装一个函数而是包含多个 mex 编译的底层 C/Fortran 程序以及大量 Matlab 脚本。核心功能就是把二维数组做 curvelet 正变换、逆变换并提取系数。1.2 适用场景与不适合的场景curvelet 在以下场景里表现非常突出图像去噪、增强尤其是医学图像、遥感图像中细腻的边缘保护地震数据中反射波同相轴的分离和重建图像压缩、融合以及反卷积问题中的正则化项设计。但如果你的数据本身就是各向同性的纹理或者你只需要全局统计特征curvelet 的优势就不明显了。更关键的一点是它的变换速度比小波慢一个数量级内存开销也大。如果只是做一个小小的实验可能感觉不到但处理大量高分辨率遥感图时一定要先测试数据量是否可行。2. 工具箱选型CurveLab 还是官方 Curvelet Toolbox2.1 两个版本的区别Matlab 相关讨论中常出现的 curvelet 工具箱主要有两个来源。首先是 CurveLab这是 curvelet 变换发明人 Emmanuel Candès 等人发布的官方库包含 USFFT 和 Wrapping 两种实现也包含在 Matlab 、C 和 Fortran 中的调用接口。大多数论文、开源代码里的fdct_usfft、fdct_wrapping就是来自这个库。它的稳定性好功能完整但需要自己编译。另一个是 MathWorks File Exchange 上一些第三方封装版本比如名为 Curvelet Toolbox 的工具箱。这类版本往往只包含 Wrapping 实现接口更简单有的甚至不需要编译直接调用。但问题在于这些版本多年未更新对 R2020 之后的 Matlab 兼容性很差且缺少很多底层参数的控制能力。我自己下载过两个版本对比发现 CurveLab 更适合做研究。虽然编译麻烦点但函数命名统一、文档完整、测试用例多出了问题还能查源码。第三方版本虽然“开箱即用”但在处理任意尺寸图像时经常报维度错误而且因为代码结构被简化很难定位问题。2.2 我最终选型的原因最终我选择 CurveLab版本 2.1.1。三个理由它是原作者的实现数学定义和论文一致做实验时与理论对照不怕有偏差同时提供fdct_usfft和fdct_wrapping可以在同一套环境下对比两种快速算法的差异它内置了去噪、插值、压缩的示例脚本对快速上手非常有帮助。所以下面的所有操作都以 CurveLab 2.1.1 为基础。如果你手头是其他版本函数名可能有所不同但核心流程类似。3. 安装与配置Windows/Linux 下的实操记录3.1 下载与目录结构打开 CurveLab 的官网下载对应的压缩包解压后目录结构大致是fdct_usfft_matlab/ fdct_wrapping_matlab/ fdct3d_matlab/ mecv/ ...其中fdct_usfft_matlab和fdct_wrapping_matlab是我们最常用的两个文件夹。每个文件夹内都有MakefileUnix/Linux 下用mex后缀的 C 源文件一些.m文件主函数和辅助函数test或demo脚本建议不要直接解压到 Matlab 的安装目录下而是放到自己的工作区比如D:\tools\curvelet\或者/home/user/tools/curvelet方便后续维护。3.2 编译命令解析这个工具箱的 C 源码需要用 mex 编译成.mexw64Windows或.mexa64Linux文件。编译过程是安装中坑最多的一步。在 Windows 下直接进入fdct_wrapping_matlab目录在 Matlab 命令行运行cd(D:\tools\curvelet\fdct_wrapping_matlab) make但请确保你已经通过mex -setup配置了 C 编译器。在 R2020a 之后Matlab 默认推荐 MinGW-w64。如果电脑上装的是 Visual Studio也可以选它但注意版本要匹配。我实测下来R2021b 用 MinGW 10.3 编译 CurveLab 2.1.1 是没有问题的R2022b 也可以。如果运行make时报找不到mex命令说明当前目录不对或者没进入 Matlab 的 Command Window。建议直接在 Matlab 中cd到目标目录再运行。在 Linux 下进入目录后直接运行make即可前提是你已经安装了 gcc 和 Matlab 的 mex 支持。如果报gcc: error: unrecognized command-line option -mno-cygwin这是老版本源代码里针对 Cygwin 的选项在 Linux 下需要手动删掉 Makefile 里的这一项。这个坑在较新版 gcc 上很常见。编译成功后目录下会出现一系列.mexw64或.mexa64文件同时提示不需要额外配置。为了验证我建议立刻运行fdct_wrapping(rand(64,64))如果能返回一个系数结构体说明安装成功。如果只是输出错误提示那多半是矩阵尺寸不匹配或编译未完成。3.3 环境变量设置虽然编译成功后可以直接使用但为了其他脚本也能调用需要在 Matlab 中把工具箱路径加入搜索路径。在 Matlab 命令行运行addpath(genpath(D:\tools\curvelet\fdct_usfft_matlab)) addpath(genpath(D:\tools\curvelet\fdct_wrapping_matlab)) savepath注意savepath会保存到当前用户的 pathdef.m如果因为权限问题保存失败可以在MATLABPATH环境变量里加入这两个目录。不过我更推荐直接建一个startup.m把 addpath 写进去这样每次启动 Matlab 时都会自动加载不用每天重新 set path。4. 核心函数使用与参数选择fdct_usfft 和 fdct_wrapping 的差异4.1 两个核心变换函数CurveLab 提供了两组接口fdct_usfft基于非均匀快速傅里叶变换USFFT实现比较接近原始论文里的频域采样方式fdct_wrapping基于“wrapping”技巧将频域中的楔形区域像素“包裹”回矩形用普通 FFT 实现速度更快。两者的数学结果几乎一致但在边界效应、参数选择和计算复杂性上略有差别。fdct_usfft对尺寸要求更严通常要求图像尺寸是某些数的倍数fdct_wrapping更灵活几乎适用于任意大小。4.2 参数详解基本调用方式是C fdct_wrapping(X, is_real, finest, nbscales, nbangles_coarse);其中X是输入二维矩阵is_real为1表示处理实数图像通常选 10表示复数域finest控制是否在最细尺度上也进行分解取1或0nbscales是分解尺度数一般取ceil(log2(min(M,N)))附近nbangles_coarse是最粗尺度上的方向数通常设定为16或32后续尺度方向数会按倍数增加。这些参数的物理意义可以这样理解nbscales控制把图像分解成几个层次类似于小波分解的层数。nbangles_coarse控制最粗尺度上划分方向的数量数量越多对曲线方向的捕捉越细致但计算量也越大。默认nbangles_coarse 16对大多数图像已经足够。如果你处理的是纹理极其丰富的图像比如遥感中的城市区域建议增加到 32但同时要注意内存消耗会显著上升。4.3 一个完整的重构演示安装完成后可以先做一个最简单的重构测试验证工具链是否完整% 生成 256x256 的测试图像 X zeros(256,256); X(64:192,64:192) 1; X(80:120,80:180) 0; % 正向 curvelet 变换 C fdct_wrapping(X, 1, 0, 5, 16); % 逆变换 Y ifdct_wrapping(C, 1, 0, 5, 16); % 检查误差 disp(max(abs(X(:) - Y(:))));如果一切正常误差应该是0或者是1e-10级别的浮点误差。如果误差大大概率是参数没对齐后面会详细讲。注意这里的逆变换参数必须和正变换完全一致is_real、finest、nbscales、nbangles_coarse缺一不可。我在最初测试时只改了尺度数忘了改方向数导致重建出来的图像被严重扭曲那种情况还很难察觉是参数不匹配导致的。5. 常见问题与排查技巧实录5.1 编译报错与 mex 版本这是我遇到最多的一类问题。总结起来主要有几种mex 未找到支持的编译器这是 R2019b 之后最常见的。解决方式是安装 MinGW-w64然后在 Matlab 中执行mex -setup C选中 MinGW。错误使用 mex未找到匹配的函数大概率是.m文件里有同名函数干扰。检查当前文件夹是否存在其他fdct_wrapping.m如果有把路径放到最前面。error LNK2019: unresolved external symbol这是 Windows 下老版本 CurveLab 的链接问题通常是因为 Matlab 版本太新而 C 源码里用的旧接口已经不兼容。可以尝试在源码中修改 C 源文件将mxCreateDoubleMatrix等函数调用全部加上mx前缀其实本来就是但更保险的是安装一个 2017 之后的版本并且将编译器换成较新的 MinGW。我个人遇到最多的是“unrecognized command-line option”主要是旧 Makefile 与新版编译器不兼容。Linux 下删掉-mno-cygwin和-fopenmp如果你不需要并行计算就能解决。5.2 坐标系与索引的坑curvelet 变换后的系数按尺度、方向、位置储存在一个大 cell 数组里。很多人第一次使用时不知道方向数的编号方式正不正确。我用一个经验规则fdct_wrapping的输出C{n}{m}中n是尺度编号n1是哪个尺度取决于finest参数。如果finest为 0第一层是最粗尺度最后一层是最细细节如果finest为 1最后一层既包含细节也包含粗尺度信息。方向编号m的范围取决于该尺度上的方向数不同尺度方向数不同所以不能用一个固定的m值。如果操作时越界会报Index exceeds matrix dimensions。我的建议是在动手处理系数前先用size(C{n}{m})打印所有尺度的方向数量并画一张系数分布图确认你的索引习惯和输出一致。这个工作只要做一次以后就不会再被绕晕。5.3 计算速度与内存问题一个 512x512 的图像nbscales6、nbangles_coarse32正变换大约耗时 0.5~1 秒逆变换类似。如果换成 4096x4096耗时就会飙到几十秒而且内存很容易爆掉尤其是同时保存正变换和逆变换结果时。如果是大批量处理有几个实测有效的办法把nbangles_coarse降到 16通常能减少 30% 左右的计算量图像尺寸尽量是 2 的幂次既方便尺度划分也能提升 FFT 效率如果只做去噪不用保存所有尺度系数可以直接在变换域处理然后重建避免多次复制 cell 结构。另外在 Matlab R2021b 之后fdct_wrapping底层还是默认单线程多核优化不明显。如果数据量特别大建议考虑用 C 版本或 Python 的包装器但那就超出了 Matlab 工具箱的范畴了。6. 实际应用案例图像去噪与增强6.1 基于 curvelet 的去噪流程curvelet 最经典的应用是去噪。原理很简单图像中噪声是高频、各向同性的而边缘和纹理通常是曲线状、方向性强的特征。curvelet 变换后边缘对应的系数幅值大而集中噪声系数幅值小而分散通过软阈值或硬阈值处理就能在保护边缘的同时去掉噪声。具体脚本可以参考% 读入图像并添加高斯噪声 X im2double(imread(cameraman.tif)); Xnoisy X 0.05*randn(size(X)); % 参数设置 nbscales 5; nbangles_coarse 16; % 正变换 C fdct_wrapping(Xnoisy, 1, 0, nbscales, nbangles_coarse); % 对每一尺度、每一方向做阈值收缩 Cthresh C; sigma 0.05; % 噪声标准差 for s 1:nbscales for w 1:length(C{s}) % 每个系数的阈值尺度越细阈值越大 thr 3*sigma*sqrt(2*(s1)); Cthresh{s}{w} wthresh(C{s}{w}, s, thr); end end % 逆变换重建 Y ifdct_wrapping(Cthresh, 1, 0, nbscales, nbangles_coarse);这里的thr公式是一个经验值并不是数学上的最优值。实际使用中如果去噪太强会导致图像过于平滑可以降低倍数系数。我通常会在2.5到3.5之间调整。6.2 参数调优经验在去噪实验中nbscales决定了分解层次。如果噪声特别严重比如噪声标准差超过 0.1建议用 6 个尺度让高频细节与噪声更好地分离如果噪声较轻5 个尺度就够太多反而容易把微小细节也当作噪声滤掉。nbangles_coarse则直接影响对曲线边缘的保护效果。我用实验做过对比从 8 增加到 16PSNR峰值信噪比大约能提升 0.3~0.5 dB从 16 增加到 32PSNR 提升很小但边缘保留的主观视觉质量稍微好一些。从计算效率考虑16 是最平衡的选择。还有一个很关键的细节去噪前最好对图像做边缘延拓避免傅里叶变换的周期边界假象。CurveLab 本身不自动处理边界所以如果你处理的图像尺寸不是偶数或者有强烈边缘建议先对图像做镜像延拓变换后再裁掉。我都是用padarray(X, [32 32], symmetric)做延拓去噪完成后用crop裁回原尺寸效果会好很多。最后再分享一个小技巧。在mex编译时如果你用了较新的 Matlab建议在编译命令中加上-largeArrayDims标志这样生成的 mex 文件能处理大于 2GB 的内存访问在处理高分辨率图像时更安全。具体操作是在 Makefile 的mex命令里加上这个参数或者在 Matlab 中手动调用mex(-largeArrayDims, fdct_wrapping_mex.c);这个方法是从一个老外的工程博客里看到的实测确实能在处理 4096×4096 的遥感图像时避免部分“内存不足”的报错。如果实验结果经常不理想优先检查参数匹配和边界处理不要一上来就怀疑算法本身。curvelet 工具箱虽然老了点但在边缘保护这个方向上现在的很多深度学习模型依然会拿它做对比基准它依然是值得一用的经典工具。本文还有配套的精品资源点击获取
