【图像处理与机器视觉】频率域滤波

知识铺垫

复数

C=R+jI 可以看作复平面上的点,则该复数的坐标为(R,I)

欧拉公式

e j θ = c o s θ + j s i n θ e^{j\theta} = cos \theta + j sin \theta ejθ=cosθ+jsinθ
极坐标系中复数可以表示为: C = ∣ C ∣ ( c o s θ + j s i n θ ) C = |C|(cos\theta + j sin \theta) C=C(cosθ+jsinθ)
所以,由于欧拉公式可以将复数表示为: C = ∣ C ∣ e j θ C=|C|e^{j\theta} C=Cejθ

傅立叶级数

傅立叶指出,任何周期函数都可以表示为不同频率的正弦和余弦函数之和,每个正弦项和余弦项均乘以不同的系数
在这里插入图片描述

同时,根据我们前面掌握的欧拉公式,可以对傅里叶级数的公式进行转换得到:
f ( t ) = ∑ n = − ∞ ∞ c n ⋅ e j 2 π n T t f(t)=\sum\limits_{n=-\infty}^{\infty}c_n\cdot e^{j\frac{2\pi n}{T}t} f(t)=n=cnejT2πnt

傅立叶变换

这里我们不对傅立叶变换的一系列公式推导进行阐述,只对最后我们所使用的离散傅立叶变换进行研究:
对于一个离散序列,我们可以进行傅立叶变换,被称为离散傅立叶变换(DFT):
F ( u ) = ∑ x = 0 M − 1 f ( x ) e − j 2 π u x / M F(u)=\sum\limits_{x=0}^{M-1}f(x)e^{-j2\pi ux/M} F(u)=x=0M1f(x)ej2πux/M
则其对应的离散傅立叶反变换为:
F ( u ) = 1 M ∑ x = 0 M − 1 f ( x ) e j 2 π u x / M F(u)=\frac{1}{M}\sum\limits_{x=0}^{M-1}f(x)e^{j2\pi ux/M} F(u)=M1x=0M1f(x)ej2πux/M
同理,可以有二维的傅立叶变换 和傅立叶反变换:
在这里插入图片描述
在这里插入图片描述

(1)傅立叶变换满足平移性质
在这里插入图片描述

(2)尺度变换
在这里插入图片描述

(3)旋转性
在这里插入图片描述

(4)周期性:傅立叶变换具有周期性
(5)平均值:
在这里插入图片描述

(5)卷积:一个域的卷积是另一个域的乘积
在这里插入图片描述
在这里插入图片描述

傅立叶变换在图像处理中的实操

请见我另外一篇博客:待补充

频率域滤波

频率域与空间域的对应关系

由我们刚刚知道的平均值,可以知道在空间域中灰度变化缓慢(二阶导小)的频率分量在频率域接近中心的位置;离原点越远,越来越高的频率对应的就是图像中变化较快的灰度(二阶导大),通常对应了图像中的边和细节
在这里插入图片描述
因此只允许中间变量通过的滤波器叫做低通滤波器,而允许四周频率通过的滤波器叫做高通滤波器,频率与滤波就是变换一张图的傅立叶变换(通常方式为频率域内乘上不同的滤波器,也即在空间域中进行卷积),再计算其反傅立叶变换得到修改后的空间域的照片

低通滤波器

理想低通滤波器

只通过固定范围内的低频,其他全部不通过
在这里插入图片描述

可以对图像进行平滑,但是会存在振铃的现象,原本图像中的边缘出现一圈一圈的虚影,就像水纹一样,主要原因是高频与低频被生硬的切割开了,就如同灰度级较少时生硬的切割会形成伪轮廓一样
在这里插入图片描述

布特沃斯低通滤波器

通过缓和的高频和低频的过渡有效去除了振铃现象
在这里插入图片描述
在这里插入图片描述

高斯低通滤波器

在这里插入图片描述
在这里插入图片描述

高通滤波器

同理也有理想高通滤波器,布特沃斯高通滤波器和高斯高通滤波器
在这里插入图片描述

上一篇:设计模式学习(二)工厂模式——工厂方法模式+注册表


下一篇:GCB | 基于36年5个生态系统观测数据发现表层土壤深度提高生态系统的生产力和稳定性