Haar

import cv2
from PIL import Image
#...
image = Image.open('tot.jpg').convert('L')

def pconv(data, CL, CH, delta = 0):
 assert(len(CL) == len(CH)) # Размеры списков коэффициентов должны быть равны
 N = len(CL)
 M = len(data)
 out = [] # Список с результатом, пока пустой
 for k in range(0, M, 2): # Перебираем числа 0, 2, 4…
 sL = 0 # Низкочастотный коэффициент
 sH = 0 # Высокочастотный коэффициент
 for i in range(N): # Находим сами взвешенные суммы
 sL += data[(k + i - delta) % M] * CL[i]
 sH += data[(k + i - delta) % M] * CH[i]
 out.append(sL) # Добавляем коэффициенты в список
 out.append(sH)
 return out

from math import sqrt
CL = [(1 + sqrt(3)) / (4 * sqrt(2)),
 (3 + sqrt(3)) / (4 * sqrt(2)),
 (3 - sqrt(3)) / (4 * sqrt(2)),
 (1 - sqrt(3)) / (4 * sqrt(2))]

def hpf_coeffs(CL):
 N = len(CL) # Количество коэффициентов
 CH = [(-1)**k * CL[N - k - 1] # Коэффициенты в обратном порядке с чередованием знака
 for k in range(N)]
 return CH


def dwt2(img, CL):
 CH = hpf_coeffs(CL) # Вычисляем недостающие коэффициенты
 w, h = image.size # Размеры изображения
 imageT = image.copy() # Копируем исходное изображение для преобразования
 for i in range(h): # Обрабатываем строки
 imageT[i, ☺ = pconv(imageT[i, ☺, CL, CH)
 for i in range(w): # Обрабатываем столбцы
 imageT[:, i] = pconv(imageT[:, i], CL, CH)

 # Переупорядочиваем столбцы и строки
 data = imageT.copy()
 data[0:h/2, 0:w/2] = imageT[0:h:2, 0:w:2]
 data[h/2:h, 0:w/2] = imageT[1:h:2, 0:w:2]
 data[0:h/2, w/2:w] = imageT[0:h:2, 1:w:2]
 data[h/2:h, w/2:w] = imageT[1:h:2, 1:w:2]

 return data
data2 = dwt2(image, CL)
img.show()