图像傅里叶变换-不错
原文:http://blog.csdn.net/ebowtang/article/details/39004979
https://baijiahao.baidu.com/s?id=1636833728798493906&wfr=spider&for=pc
总结一下,傅立叶变换就是多个正余弦波叠加可以用来近似任何一个原始的周期函数,它实质是是频域函数和时域函数的转换。而其中时域就是永远随着时间的变化而变化的,而频域就是装着装着正余弦波的空间,代表着每一条正余弦波的幅值,而表示正余弦波除了幅值是不够的,就还有相位谱。
这是一幅很绝的一维傅里叶变换动态图
频谱图中,x是不同频率的,对应sin(2x),sin(3x)
y轴对应的是sin(2x)的系数
一个信号能表示成傅里叶级数的形式是有条件的,首先它必须是周期信号,第二必须是满足狄里赫利条件的周期信号。
1,关于两大域:时域与频域
(1)频域(frequency domain)是指在对函数或信号进行分析时,
分析其和频率有关部份,而不是和时间有关的部份,和时域一词相对。
(2)时域是描述数学函数或物理信号对时间的关系。
例如一个信号的时域波形可以表达信号随着时间的变化。
若考虑离散时间,时域中的函数或信号,在各个离散时间点的数值均为已知。
若考虑连续时间,则函数或信号在任意时间的数值均为已知。在研究时域的信号时,常会用示波器将信号转换为其时域的波形。
(3)两者相互间的变换
时域(信号对时间的函数)和频域(信号对频率的函数)的变换在数学上是通过积分变换实现。
对周期信号可以直接使用傅立叶变换,对非周期信号则要进行周期扩展,使用拉普拉斯变换。
2,傅立叶变换
(1)什么是傅里叶变换?
也称作傅立叶变换,表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域,傅立叶变换具有多种不同的变体形式,如连续傅立叶变换和离散傅立叶变换。最初傅立叶分析是作为热过程的解析分析的工具被提出的。傅里叶变换是一种分析信号的方法,它可分析信号的成分,也可用这些成分合成信号。许多波形可作为信号的成分,比如正弦波、方波、锯齿波等,傅里叶变换用正弦波作为信号的成分。
傅里叶变换的实质是将一个信号分离为无穷多多正弦/复指数信号的加成,也就是说,把信号变成正弦信号相加的形式——既然是无穷多个信号相加,那对于非周期信号来说,每个信号的加权应该都是零——但有密度上的差别,你可以对比概率论中的概率密度来思考一下——落到每一个点的概率都是无限小,但这些无限小是有差别的所以,傅里叶变换之后,横坐标即为分离出的正弦信号的频率,纵坐标对应的是加权密度
(2),傅里叶变换有什么用呢?
举例说明:傅里叶变换可以将一个时域信号转换成在不同频率下对应的振幅及相位,其频谱就是时域信号在频域下的表现,而反傅里叶变换可以将频谱再转换回时域的信号。最简单最直接的应用就是时频域转换,比如在移动通信的LTE系统中,要把接收的信号从时域变成频域,就需要使用FFT。又例如对一个采集到的声音做傅立叶变化就能分出好几个频率的信号。比如南非世界杯时,南非人吹的呜呜主拉的声音太吵了,那么对现场的音频做傅立叶变化(当然是对声音的数据做),会得到一个展开式,然后找出呜呜主拉的特征频率,去掉展开式中的那个频率的sin函数,再还原数据,就得到了没有呜呜主拉的嗡嗡声的现场声音。而对图片的数据做傅立叶,然后增大高频信号的系数就可以提高图像的对比度。同样,相机自动对焦就是通过找图像的高频分量最大的时候,就是对好了。
3,快速傅里叶变换
(1),什么是快速傅里叶变换?
计算离散傅里叶变换的一种快速算法,简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少,特别是被变换的抽样点数N越多,FFT算法计算量的节省就越显著。
(2),快速傅里叶变换有什么用?
函数或信号可以透过一对数学的运算子在时域及频域之间转换。和傅里叶变换作用一样!
(3),为什么要提出快速傅里叶变换?
人们想让计算机能处理信号 但由于信号都是连续的、无限的,计算机不能处理,于是就有了傅里叶级数、傅里叶变换,将信号由时域变到频域,把一个信号变为有很多个不同频率不同幅度的正弦信号组成,这样计算机就能处理了,但又由于傅里叶变换中要用到卷积计算,计算量很大,计算机也算不过来,于是就有了快速傅里叶变换,大大降低了运算量,使得让计算机处理信号成为可能。快速傅里叶变换是傅里叶变换的快速算法而已,主要是能减少运算量和存储开销,对于硬件实现特别有利。
4,图像中傅立叶变换的物理意义
(1),图像的频率是表征图像中灰度变化剧烈程度的指标,是灰度在平面空间上的梯度。如:大面积的沙漠在图像中是一片灰度变化缓慢的区域,对应的频率值很低;而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义,设f是一个能量有限的模拟信号,则其傅立叶变换就表示f的谱。从纯粹的数学意义上看,傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看,傅立叶变换是将图像从空间域转换到频率域,其逆变换是将图像从频率域转换到空间域。换句话说,傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数,傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数
(2),傅立叶变换以前,图像(未压缩的位图)是由对在连续空间(现实空间)上的采样得到一系列点的集合,我们习惯用一个二维矩阵表示空间上各点,则图像可由z=f(x,y)来表示。由于空间是三维的,图像是二维的,因此空间中物体在另一个维度上的关系就由梯度来表示,这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度?因为实际上对图像进行二维傅立叶变换得到频谱图,就是图像梯度的分布图,当然频谱图上的各点与图像上各点并不存在一一对应的关系,即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点,实际上图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小(可以这么理解,图像中的低频部分指低梯度的点,高频部分相反)。一般来讲,梯度大则该点的亮度强,否则该点亮度弱。这样通过观察傅立叶变换后的频谱图,也叫功率图,我们首先就可以看出,图像的能量分布,如果频谱图中暗的点数更多,那么实际图像是比较柔和的(因为各点与邻域差异都不大,梯度相对较小),反之,如果频谱图中亮的点数多,那么实际图像一定是尖锐的,边界分明且边界两边像素差异较大的。对频谱移频到原点以后,可以看出图像的频率分布是以原点为圆心,对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外,还有一个好处,它可以分离出有周期性规律的干扰信号,比如正弦干扰,一副带有正弦干扰,移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心,对称分布的亮点集合,这个集合就是干扰噪音产生的,这时可以很直观的通过在该位置放置带阻滤波器消除干扰
二,理性认识傅里叶变换
1,二维傅里叶fft2对简单矩阵的操作
(可以把s想象成一幅图像,傅里叶变换过程如下)
- s=magic(2);%magic矩阵有一个神奇的特点:每行或者每列加起来都相等
- f=fft2(s);
- a=abs(f)
- a =
- 10 0
- 2 4
- >> f
- f =
- 10 0
- -2 -4
- >> s
- s =
- 1 3
- 4 2
- %3*3的矩阵的操作结果
- s=magic(3);
- f=fft2(s);
- a=abs(f)
- a =
- 45.0000 0 0
- 0.0000 15.5885 5.1962
- 0.0000 5.1962 15.5885
- >> f
- f =
- 45.0000 0 0
- 0 + 0.0000i 13.5000 + 7.7942i 0.0000 - 5.1962i
- 0 - 0.0000i 0.0000 + 5.1962i 13.5000 - 7.7942i
- >> s
- s =
- 8 1 6
- 3 5 7
- 4 9 2
- %4*4的矩阵操作结果
- s=magic(4);%magic矩阵有一个神奇的特点:每行或者每列加起来都相等
- f=fft2(s);
- a=abs(f)
- a =
- 136.0000 0 0 0
- 0 20.0000 11.3137 12.0000
- 0 45.2548 0 45.2548
- 0 12.0000 11.3137 20.0000
- >> f
- f =
- 1.0e+02 *
- 1.3600 0 0 0
- 0 0.2000 0.0800 + 0.0800i 0 - 0.1200i
- 0 0.3200 + 0.3200i 0 0.3200 - 0.3200i
- 0 0 + 0.1200i 0.0800 - 0.0800i 0.2000
- >> s
- s =
- 16 2 3 13
- 5 11 10 8
- 9 7 6 12
- 4 14 15 1
2,二维快速傅里叶fft2对灰度图的操作
- clear all;
- close all;
- I=imread('peppers.png');%读入图像
- J=rgb2gray(I);%将图像转换为灰度图
- K=fft2(J);%对图像进行二维快速傅里叶变换
- K=fftshift(K);%将频谱转移到中心,其实就是在傅里叶变换时乘以了某个因子
- L=abs(K/256);%取模
- %显示图片
- figure;
- subplot(131);
- imshow(I);title('原图像')
- subplot(132);
- imshow(J);title('被转换为灰度图后')
- subplot(133);
- imshow(uint8(L));title('二维傅里叶变换后的频谱图')</span>
- clear all; close all;
- I=imread('peppers.png');%读入图像
- J=rgb2gray(I);%转换为灰度图
- J=imrotate(J,45,'bilinear'); %将图像旋转45度角
- K=fft2(J);%对图像进行二维傅里叶比变换
- K=fftshift(K);%转移频谱中心
- L=abs(K/256);%取模
- figure;
- subplot(121);
- imshow(J);title('原图像被旋转45度角')
- subplot(122);
- imshow(uint8(L));title('傅里叶变换后的图像')
- clear all; close all;
- I=imread('peppers.png');
- J=rgb2gray(I);
- J=imnoise(J, 'gaussian', 0, 0.01);%加入高斯噪声
- K=fft2(J);
- K=fftshift(K);
- L=abs(K/256);
- figure;
- subplot(131);
- imshow(I);title('原图像')
- subplot(132);
- imshow(J);title('高斯噪声污染')
- subplot(133);
- imshow(uint8(L));title('污染后进行福利叶变换')
- clear all; close all;
- I=imread('onion.png');
- J=rgb2gray(I);
- K=fft2(J);%傅里叶变换
- L=fftshift(K);%转移频谱中心
- L=abs(L/256);%取模
- M=ifft2(K);%二维傅里叶反变换
- figure;
- subplot(131);
- imshow(J);title('原灰度图像')
- subplot(132);
- imshow(uint8(L));title('傅里叶变换后的图像')
- subplot(133);
- imshow(uint8(M));title('反变换后的图像')
图像傅里叶变换-不错相关推荐
- 通俗讲解:图像傅里叶变换
转自某乎:通俗讲解:图像傅里叶变换 - 知乎 这里我们主要要讲的是二维图像傅里叶变换,但是我们首先来看一张很厉害的一维傅里叶变换动图. 妈耶~厉害哇!它把时域和频域解释的很清楚! 什么!你看不懂! 简 ...
- 【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
[OpenCV 例程200篇]76. OpenCV 实现图像傅里叶变换 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 ...
- 【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
[OpenCV 例程200篇]75. Numpy 实现图像傅里叶变换 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 ...
- 图像傅里叶变换的频率怎么理解?【转载】
文章目录 1 问题 2 解答 1 问题 请问图像的傅里叶变换里面,怎么理解高频和低频呢?是u,v大的值对应高频么?傅里叶变换以后得到的幅度谱为什么能反映灰度的变化情况呢?看了很多资料,一直缺乏直观上的 ...
- python傅里叶变换库_python的numpy库和cv2库实现图像傅里叶变换
码字不易,如果对您有所帮助,记着点赞哦! 一. 图像傅里叶变换原理: 对二维图像进行傅里叶变换用如下公式进行: 图像长M,高N.F(u,v)表示频域图像,f(x,y)表示时域图像.u的范围为[0,M- ...
- python的图像傅里叶变换 np.fft.fft2 cv.dft 函数
码字不易,如果对您有所帮助,记着点赞哦! 一. 图像傅里叶变换原理: 原理简介请参考:https://www.cnblogs.com/wojianxin/p/12529809.html 对二维图像进行 ...
- 《OpenCv视觉之眼》Python图像处理六 :Opencv图像傅里叶变换和傅里叶逆变换原理及实现
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
- 图像傅里叶变换(快速傅里叶变换FFT)
学习DIP第7天,图像傅里叶变换 转载请标明出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对 ...
- 图像傅里叶变换及滤波
图像傅里叶变换 图像的傅里叶变换和常规的傅里叶变换没什么本质不同,都是利用二维傅里叶变换,图像傅里叶之后uv常取和原图像像素大小相同. 在python中,有两个函数可直接进行离散傅里叶变换,np.ff ...
最新文章
- SVO 学习笔记(三)
- 命令行运行hadoop实例wordcount程序
- 鸿蒙系统全面解析,诞生背景、技术细节生态圈一文看懂
- Microsoft 和 Google 就Yahoo 收购一事展开口水战
- 为什么在mysql执行删除表中外键的语句,外键却仍然存在? [问题点数:40分]
- 阿里前CEO卫哲的万字长文:被马云骂醒,看透B2B 10大核心问题!
- 2.6 定位数据不匹配
- 特斯拉全自动驾驶硬件发布!马斯克明年推RoboTaxi:傻瓜才用激光雷达
- android4.0蓝牙使能的详细解析 (转载)
- 操作系统实验: 进程管理
- 孟岩:参与设计20多个区块链经济系统后,我总结出4个原则和7个陷阱 |区块链捕手
- Java之native函数
- MMCODE 1003: 小谭变美日记(c++)
- DevExpress VCL Subscription 版本:21.1.5
- 钻石特工java下载_联想i909——S141升级后的改变
- html怎么转换成ftl模板,FreeMarker入门+模板静态化+模板字符串静态化
- 爱立信中国总裁杨迈猝死 爱立信中国惊魂48小时
- I4mc-deep: 利用具有化学特性的深度学习方法,对 n4- 甲基胞嘧啶位点进行智能预测
- line android 英文版,line tv国际版
- 一个很酷的API接口管理平台,吊到不行!
热门文章
- 秒拨动态ip切换技术python_Python爬虫如何通过更换IP避开网站的反爬虫机制(一)...
- mongodb安装_MongoDB索引策略和索引类型
- c语言bim的题目,求助:几道简单C语言程序小题
- php中post提交参数_PHP中Http协议post请求参数
- 京东一面:说说ThreadLocal的使用场景及使用方式
- 战争升级!Elasticsearch 从客户端向 AWS 开了一炮!
- 重磅!Spring Boot 2.5.0火热发布,还学得动吗?
- Nacos 集群部署模式最佳实践
- GitHub 私有仓库完全免费面向团队提供
- Spring Boot 2.2.0 正式发布,大幅性能提升 + Java 13 支持