数字图像处理-频率域滤波原理

from:https://blog.csdn.net/forrest02/article/details/55510711?locationNum=15&fps=1

写在前面的话

作者是一名在读的硕士研究僧,方向是图像处理。由于图像处理是一门相对复杂的学科,作者在课堂上学到的东西只是非常浅显的内容,我们老师说是,领我们进了个门。现在打算利用图书馆和网络上的资源进行自学。由于是刚开始写自己的博客,并且所具备的专业知识非常的有限,难免有出错之处,如果有朋友发现一些毛病,希望能够指正。哈哈,话不多说,进入正题。 
作者使用的是冈萨雷斯的《数字图像处理(Matlab版)》,打算先用matlab先跟着书上的内容把代码先练一练。以后,再重新学习深入一些的知识。这里不会将书中的全部内容都列一遍,我会选择性的把重要的部分代实现。

频率域

在介绍频率域图像处理之前,先提几个问题。 
1.什么是频率域? 
2.为什么要在频率域中进行图像处理?

频率域的概念 
频率域是指从函数的频率角度出发分析函数,和频率域相对的是时间域。简单说就是如果从时间域分析信号时,时间是横坐标,振幅是纵坐标。而在频率域分析的时候则是频率是横坐标,振幅是纵坐标。 
举个例子,我们认为音乐是一个随着时间变化的震动。但是如果站在频域的角度上来讲,音乐是一个随着频率变化的震动,这样我们站在时间域的角度去观察你会发现音乐是静止的。同理,如果我们站在时间域的角度观察频率域的世界,就会发现世界是静止的,也是永恒的。这是因为在频率域是没有时间的概念的,那么也就没有了随着时间变化着的世界了。 
另外,我们需要借助傅立叶变换,才能够在得到函数在频率域中的信息。

为什么要在频率域中进行图像处理? 
1). 可以利用频率成分和图像外表之间的对应关系。一些在空间域表述困难的增强任务,在频率域中变得非常普通; 
2). 滤波在频率域更为直观,它可以解释空间域滤波的某些性质; 
3).可以在频率域指定滤波器,做反变换,然后在空间域使用结果滤波器作为空间域滤波器的指导

傅里叶变换

谈到频率域,就不得不说傅里叶变换了。傅里叶是18世纪法国的一位伟大的数学家。他最大的贡献在于指出任何周期函数都可以表示为不同频率的正弦和或者余弦和的形式,每个正弦或者余弦乘以不同的系数(也就是被大家所熟知的傅里叶级数)。无论函数有多复杂,只要它是周期性的,并且满足一定的数学条件,就一定可以用这样的正弦和或者余弦和的形式来表示。甚至在有些情况下,非周期函数也可以用正弦和或者余弦和的形式来表示。用傅里叶级数或变换表示的函数特征可以完全通过傅里叶反变换来重建,而不会丢失任何信息。而正是所谓的“傅里叶变换”使得我们可以工作于频率域。

一维连续函数的fourier变换

这里写图片描述 
其中,f(x)表示原函数,F(u)表示变换之后的函数。u为频率域变量。这里写图片描述

一维连续函数的fourier反变换 
这里写图片描述 
这里写图片描述

。。。公式编辑有点小麻烦,暂时先用截图吧。请允许我小小的偷懒。。。

注意前面讲过任何周期函数都可以被写成若干个正弦波(余弦波)的叠加。为了便于理解,在网上找了几张图片。 
这里写图片描述 
第一幅图是一个郁闷的余弦波cos(x) 
第二幅图是2个卖萌的余弦波的叠加cos(x)+a.cos(3x) 
第三幅图是4个“可爱”的余弦波的叠加 
第四幅图是10个“难受”的余弦波的叠加 
随着余弦波数量逐渐的增长,最终叠加成一个标准的矩形,大家从中体会到了什么?

这里写图片描述 
这里写图片描述 
f为原图像, 傅里叶变换函数。傅里叶变换将函数的时域(红色)与频域(蓝色)相关联。频谱中的不同成分。频率在频域中以峰值形式表示。 
//这里原图是一幅动态图,想看效果的朋友,请自行google傅立叶变换,weki上动态图如下。

二维离散傅立叶变换

图像尺寸为M*N的函数f(x,y)DFT为

这里写图片描述 
其中,u=0,1,2,…,M-1;v=0,1,2,…,N-1 
给出F(u,v)由反DFT反变换可得到f(x,y)

这里写图片描述

傅立叶变换的基本概念:

1.频谱

这里写图片描述 
2.相位角

这里写图片描述

傅立叶变换的性质:

  1. 共轭对称性

    如果f(x,y)是实函数,则它的傅里叶变换具有 共轭对称性

这里写图片描述 
2 . 周期性

这里写图片描述

复习:当两个复数实部相等,虚部互为相反数时,这两个复数叫做互为共轭复数.

周期性和共轭对称性 
对于一维变换F(u),周期性是指F(u)的周期长度为M,对称性是指频谱关于原点对称

这里写图片描述 
通过将原点的变换值移动到频率矩形的中心位置,可简化频谱的 
视觉分析。这可以通过在计算一维傅立叶变换之前将f(x)乘以 (-1)^x 来完成。

周期性和共轭对称性举例 
这里写图片描述 
通过将原点的变换值移动到频率矩形的中心位置,可简化频谱的视觉分析。这可以通过在计算二维傅立叶变换之前将f(x,y)乘以这里写图片描述![这里写图片描述来完成。 
3. 平均值

由二维傅里叶变换的定义

这里写图片描述 
所以在原点的傅立叶变换等于图像f(x,y)的平均灰度级 
4. 卷积定理

空间域和频率域的基础都是卷积定理

大小为M×N的两个函数f(x,y)和h(x,y)的离散卷积

这里写图片描述 
卷积定理

这里写图片描述 
说明 第一个表达式表明: 
两个空间函数的卷积可以通过计算两个傅立叶变换函数的乘积的逆变换得到。 
相反,两个空间函数卷积的傅立叶变换恰好等于两个函数的傅立叶变换的乘积

频率域滤波

低通滤波器:使低频通过而使高频衰减的滤波器 
1.被低通滤波的图像比原始图像少尖锐的细节部分而突出平滑过渡部分 
2.对比空间域滤波的平滑处理,如均值滤波器

高通滤波器:使高频通过而使低频衰减的滤波器 
1.被高通滤波的图像比原始图像少灰度级的平滑过渡而突出边缘等细节部分 
2.对比空间域的梯度算子、拉普拉斯算子

低通滤波器

这里写图片描述 
原图像的频谱 
这里写图片描述 
低通滤波器示意图 
这里写图片描述 
滤波效果 
这里写图片描述

说明:这里的低通滤波,意思就是把频率低的波留下,把频率高的波过滤掉。示意图是经过居中处理的频谱,就是从频谱的中心到四周频率由低到高。示意图表示的是,留下中间低频的,过滤点中心周围高频的部分。我们知道,低频对应的图像中变化不明显的部分,于是,图像就变的非常模糊。这在图像处理中也叫平滑滤波。再介绍一个概念:图像的锐化。就是与平滑化相对,即下面高通滤波器所达到的效果。很明显,图像边缘增强了。

高通滤波

原图 
这里写图片描述 
原图的频谱 
这里写图片描述 
高通滤波器示意图 
这里写图片描述 
效果图 
这里写图片描述 
声明:作者借鉴了一些前辈写的内容,但因为这是之前在一个ppt中做汇报时使用的。时间已经过去了许久,已经很难在找到出处的链接了。但为了分享一些写的很好的内容,就依旧贴出来了,在这里表示感谢。 
另外,由于是刚开始发表技术博客所以,对于编辑的技巧还没有熟练掌握,如果你看的不爽,那你就自己写更漂亮的。哈哈

转载请注明出处:http://blog.csdn.net/forrest02/article/details/55510711

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/458167.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

tomcat优化-有改protocol 和 缓存 集群方案

tomcat优化 在线上环境中我们是采用了tomcat作为Web服务器,它的处理性能直接关系到用户体验,在平时的工作和学习中,归纳出以下七种调优经验。 1. 服务器资源 服务器所能提供CPU、内存、硬盘的性能对处理能力有决定性影响。 (1) 对于高并发…

深入浅出的讲解傅里叶变换(真正的通俗易懂)

原文出处: 韩昊 1 2 3 4 5 6 7 8 9 10 作 者:韩 昊 知 乎:Heinrich 微 博:花生油工人 知乎专栏:与时间无关的故事 谨以此文献给大连海事大学的吴楠老师,柳晓鸣老师,王新年老师以及张晶泊老…

分布式锁 基于Redis

分布式锁的实现(基于Redis)参考:http://www.jb51.net/article/75439.htm http://www.linuxidc.com/Linux/2015-01/111827.htm http://www.tuicool.com/articles/6juqmm7 方式一: 基于第三方类库 redssion 1.安装redis安装redssion的锁服务队redis的版本有要求,要求必…

学好Linux决心书

我叫李杨,经过在老男孩教育linux运维班5个月学习后,我一定要达到的的薪水目标是7k,为了达到此目标我将采取如下5大行动或方案:1.每天坚持学习7个小时2.坚持每天跑步1小时3.调整思路 严于利己4.让自己生活更加充实,不在浑浑噩噩5.为…

如何通俗易懂地解释欧拉公式(e^πi+1=0)?

from:https://www.zhihu.com/question/41134540 http://www.matongxue.com/madocs/8.html

IIS(1)

转载:http://blog.csdn.net/ce123 IIS音频总线学习(一)数字音频技术 一、声音的基本概念 声音是通过一定介质传播的连续的波。 图1 声波重要指标: 振幅:音量的大小周期:重复出现的时间间隔频率:…

手机屏幕适配原理及实现

为什么80%的码农都做不了架构师?>>> 手机屏幕是用户与 App 最直接的交互点 不同的分辨率下用户对我们的 App 具有明显的感观差异,主流分辨率的更新迭代却又完全独立于 App 进行。这让我们想要使 App 在绝大多数主流手机上都保持感观、体验的…

【数字图像处理】傅里叶变换在图像处理中的应用

from:https://www.cnblogs.com/tenderwx/p/5245859.html 1.理解二维傅里叶变换的定义 1.1二维傅里叶变换 二维Fourier变换: 逆变换: 1.2二维离散傅里叶变换 一个图像尺寸为MN的 函数的离散傅里叶变换由以下等式给出: 其中 和。其中变量u和…

最好的云备份选项

能够实现数据备份的方式有很多。在虚拟化技术最为兴盛的时期,首选方式是使用数据保护软件,在hypervisor层进行备份或者复制整台虚拟机,比如Veeam Backup以及Zerto提供的同步软件。 对于使用VMware云的IT部门来说,这种方式现在仍然…

求二叉树中两个节点的最远距离

问题定义如果我们把二叉树看成一个图,父子节点之间的连线看成是双向的,我们姑且定义"距离"为两节点之间边的个数。写一个程序求一棵二叉树中相距最远的两个节点之间的距离。计算一个二叉树的最大距离有两个情况:情况A: 路径经过左子树的最深节…

halcon学习(算子汇总)

from:https://www.cnblogs.com/hanzhaoxin/archive/2013/01/09/2852213.html dev_clear_obj(Objects : : : ) 删除一个iconic对象 dev_error_var( : : ErrorVar, Mode : ) 定义或取消定义一个错误变量 dev_get_exception_data( : : Exception, Name : Value) 获取异常数据…

Bing Speech Recognition 标记

Bing Speech Services Bing Bing Speech Services provide speech capabilities for Windows and Windows Phone https://msdn.microsoft.com/en-us/library/dn303461.aspx 已失效。 转载于:https://www.cnblogs.com/zangdalei/p/5312440.html

Source Insight 4.0 最简单的破解安装

from:https://blog.csdn.net/biubiuibiu/article/details/78044232 三步完成Source Insight 4.0 破解安装 下载地址有更新,之前有朋友因潜在的版权问题封禁没下到,现在更新后可正常使用了。 文末有完全清除上次安装残留的方法,…

【原】Spark中Master源码分析(一)

Master作为集群的Manager,对于集群的健壮运行发挥着十分重要的作用。下面,我们一起了解一下Master是听从Client(Leader)的号召,如何管理好Worker的吧。 1.家当(静态属性) 1.设置一个守护单线程的…

XML——XML介绍和基本语法

from:https://blog.csdn.net/gavin_john/article/details/51511180 1.XML历史 gml(1969)->sgml(1985)->html(1993)->xml(1998) 1969 gml(通用标记语言),主要目的是要在不同的机器之间进行通信的数据规范1985 sgml(标准通用标记语言)1993 htm…

Tomcat7.0安装配置

很久没有通过博客对学习所得进行记录了。 现在将使用Tomcat的一些经验和心得写到这里,作为记录和备忘。如果有朋友看到,也请不吝赐教。 首先,我个人使用的是apache-tomcat-7.0.27你可以下载使用,前提条件你需要安装JDK1.6或者1.7都…

TIFF图像文件格式详解

from:https://www.cnblogs.com/gywei/p/3393816.html 1 什么是TIFF? TIFF是Tagged Image File Format的缩写。在现在的标准中,只有TIFF存在, 其他的提法已经舍弃不用了。做为一种标记语言,TIFF与其他文件格式最大的不…

java 抽象工厂模式简单实例

抽象工厂模式:提供一个创建一系列的相关的或者依赖的对象的接口,无需指定它们的具体实现类,具体的时间分别在子类工厂中产生。 类似于工厂模式:隔离了具体类的生产实现,使得替换具体的工厂实现类很容易。包含有以下模块…

图像处理之积分图应用三(基于NCC快速相似度匹配算法)

from:https://blog.csdn.net/jia20003/article/details/53021614 图像处理之积分图应用三(基于NCC快速相似度匹配算法) 基于Normalized cross correlation(NCC)用来比较两幅图像的相似程度已经是一个常见的图像处理手段。在工业生产环节检测…

深入浅出地理解机器人手眼标定

from:https://blog.csdn.net/qq_16481211/article/details/79764730 所谓手眼系统,就是人眼镜看到一个东西的时候要让手去抓取,就需要大脑知道眼镜和手的坐标关系。如果把大脑比作B,把眼睛比作A,把手比作C,如果A和B的…