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 Toolbox
2.1 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：
- Makefile（Unix/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.mexw64（Windows）或.mexa64（Linux）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 1），0表示复数域；finest控制是否在最细尺度上也进行分解，取1或0；nbscales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，n=1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，nbscales=6、nbangles_coarse=32，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*(s+1)); 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 16，PSNR（峰值信噪比）大约能提升 0.3~0.5 dB；从 16 增加到 32，PSNR 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
