或许有用的FT平移、旋转、缩放不变特征

对图像进行平移,只会改变频域空间的相位,不会改变幅值:
f 2 ( x , y ) = f 1 ( x − x 0 , y − y 0 ) F 2 ( f x , f y ) = e − j 2 π ( f x x + f y y ) × F 1 ( f x , f y ) M 1 = M 2 , w i t h    M i = ∣ F i ∣ \begin{aligned} &f_2(x,y)=f_1(x-x_0,y-y_0)\\ &F_2(f_x,f_y)=e^{-j2\pi(f_xx+f_yy)}\times F_1(f_x,f_y)\\ &M_1=M_2,with\;M_i=|F_i| \end{aligned} ​f2​(x,y)=f1​(x−x0​,y−y0​)F2​(fx​,fy​)=e−j2π(fx​x+fy​y)×F1​(fx​,fy​)M1​=M2​,withMi​=∣Fi​∣​
对图像进行旋转,相当于频域空间极坐标下角度的平移:
f 2 ( x , y ) = f 1 ( x c o s θ 0 + y s i n θ 0 , − x s i n θ 0 + y c o s θ 0 ) M 2 ( f x , f y ) = M 1 ( f x c o s θ 0 + f y s i n θ 0 , − f x s i n θ 0 + f y c o s θ 0 ) M 1 ( ρ , θ ) = M 2 ( ρ , θ − θ 0 ) \begin{aligned} &f_2(x,y)=f_1(xcos\theta_0+ysin\theta_0,-xsin\theta_0+ycos\theta_0)\\ &M_2(f_x,f_y)=M_1(f_xcos\theta_0+f_ysin\theta_0,-f_xsin\theta_0+f_ycos\theta_0)\\ &M_1(\rho,\theta)=M_2(\rho,\theta-\theta_0) \end{aligned} ​f2​(x,y)=f1​(xcosθ0​+ysinθ0​,−xsinθ0​+ycosθ0​)M2​(fx​,fy​)=M1​(fx​cosθ0​+fy​sinθ0​,−fx​sinθ0​+fy​cosθ0​)M1​(ρ,θ)=M2​(ρ,θ−θ0​)​
对图像的缩放,相当于频域空间极坐标下半径取对数的平移:
f 2 ( x , y ) = f 1 ( a x , b y ) F 2 ( f x , f y ) = 1 ∣ a b ∣ F 1 ( f x a , f y b ) F 2 ( log ⁡ f x , log ⁡ f y ) = F 1 ( log ⁡ f x − log ⁡ a , l o g f y − log ⁡ b ) M 1 ( log ⁡ ρ , θ ) = M 2 ( log ⁡ ρ − log ⁡ a , θ ) \begin{aligned} &f_2(x,y)=f_1(ax,by)\\ &F_2(f_x,f_y)=\frac{1}{|ab|}F_1(\frac{f_x}{a},\frac{f_y}{b})\\ &F_2(\log f_x,\log f_y)=F_1(\log f_x-\log a,logf_y-\log b)\\ &M_1(\log\rho,\theta)=M_2(\log\rho-\log a,\theta) \end{aligned} ​f2​(x,y)=f1​(ax,by)F2​(fx​,fy​)=∣ab∣1​F1​(afx​​,bfy​​)F2​(logfx​,logfy​)=F1​(logfx​−loga,logfy​−logb)M1​(logρ,θ)=M2​(logρ−loga,θ)​
综上,若 f 2 f_2 f2​相对于 f 1 f_1 f1​平移任意尺度,缩放a倍,旋转角度 θ 0 \theta_0 θ0​时,它们在频域的幅值有以下关系
M 1 ( ξ , θ ) = M 2 ( ξ − d , θ − θ 0 ) w i t h      ξ = log ⁡ ρ , d = log ⁡ a \begin{aligned} &M_1(\xi,\theta) = M_2(\xi-d,\theta-\theta_0)\\ &with\;\;\xi=\log\rho,d=\log a \end{aligned} ​M1​(ξ,θ)=M2​(ξ−d,θ−θ0​)withξ=logρ,d=loga​
在这个基础上,猜想若将 M 1 M_1 M1​和 M 2 M_2 M2​以对数极坐标表示,再对它们做傅里叶变换, M 1 M_1 M1​和 M 2 M_2 M2​傅里叶变换幅值相等,即
∣ F ( M 1 ) ∣ = ∣ F ( M 2 ) ∣ |\mathcal{F}(M_1)|=|\mathcal{F}(M_2)| ∣F(M1​)∣=∣F(M2​)∣

记作
M 1 = M 2 \mathcal{M}_1=\mathcal{M}_2 M1​=M2​
这相当于即使 f 2 f_2 f2​相对于 f 1 f_1 f1​做了一系列仿射变换,但是仍可通过一系列变换从两张图像中提取出一种相等的特征。

上一篇:Linux/Unix服务端和客户端Socket编程入门实例


下一篇:为x86 CPU自动调度神经网络