振铃效应(ringing artifacts)
artifacts 纰漏
个人总结不一定对:图像复原中损失高频信息的话会产生振铃效应。
理想低通滤波器在频率域的形状为矩形,那么其傅立叶逆变换在时间域为sinc函数
图像处理中,对一幅图像进行滤波处理,若选用的频域滤波器具有陡峭的变化,则会使滤波图像产生“振铃”,所谓“振铃”,就是指输出图像的灰度剧烈变化处产生的震荡,就好像钟被敲击后产生的空气震荡。如下图:
振铃现象产生的本质原因是:
对于辛格函数sinc而言,经过傅里叶变换之后的函数形式为窗函数(理想低通滤波器)形式,用图像表示如下:
图1.左边为矩形窗函数,右边为辛格函数(将左边的空域换成频域,右边频域换成空域)
因此凡具有接近窗函数的滤波器,IFT之后,其空域函数形式多少接近sinc函数。sinc是进行图像滤波的主要因素,两边的余波将对图像产生振铃现象。
由卷积定理可将下面两种增强联系起来:
频域增强:
空域卷积:
其中f,g,h分别为输入图像,增强图像,空域滤波函数;F,G,H分别为各自的傅里叶变换。*为卷积符号。
在空间域将低通滤波作为卷积过程来理解的关键是h(x,y)的特性:可将h(x,y)分为两部分:原点处的中心部分,中心周围集中的成周期分布的外围部分。前者决定模糊,后者决定振铃现象。若外围部分有明显的震荡,则g(x,y)会出现振铃。利用傅里叶变换,我们发现,若频域滤波函数具有陡峭变化,则傅里叶逆变换得到的空域滤波函数会在外围出现震荡。
下面给出三个常用的低通滤波器:理想型、巴特沃斯型、高斯型。
并分析他们对用的空域滤波函数的特点,验证上述结论。
理想型:
理想型滤波会出现振铃,可以看出空域滤波函数图像外围有剧烈震荡。
巴特沃斯型:
为阶数,1阶巴特沃斯没有“振铃“,随着阶数增大,振铃现象越发明显。下图取n=2,可以看出空域函数外围部分出现震荡。
高斯型:
高斯函数的傅里叶变换仍然是高斯函数,故高斯型滤波器不会产生“振铃“。
上述图像的生成程序:
- close all;
- clear all;
- d0=8;
- M=60;N=60;
- c1=floor(M/2);
- c2=floor(N/2);
- h1=zeros(M,N); %理想型
- h2=zeros(M,N); %巴特沃斯型
- h3=zeros(M,N); %高斯型
- sigma=4;
- n=4;%巴特沃斯阶数
- for i=1:M
- for j=1:N
- d=sqrt((i-c1)^2+(j-c2)^2);
- if d<=d0
- h1(i,j)=1;
- else
- h1(i,j)=0;
- end
- h2(i,j)=1/(1+(d/d0)^(2*n));
- h3(i,j)=exp(-d^2/(2*sigma^2));
- end
- end
- draw2(h1,'理想');
- draw2(h2,'巴特沃斯');
- draw2(h3,'高斯');
- function draw2(h,name)
- figure;
- surf(h);title(strcat('频域',name));
- fx=abs(ifft2(h));
- fx=fftshift(fx);
- figure;surf(fx);title(strcat('空域',name));
注:fftshift与ifftshift区别,对偶数行列矩阵相同,奇数相互弥补,组合使之可逆
如何理解振铃效应? - 知乎 https://www.zhihu.com/question/29861707
图像处理之—振铃现象 - CSDN博客 http://blog.csdn.net/zk_j1994/article/details/53645044
傅立叶变换中的吉布斯现象
吉布斯(Gibbs)现象:将具有不连续点的周期函数(如矩形脉冲)进行傅立叶级数展开后,选取有限项进行合成。当选取的项数越多,在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时,该峰起值趋于一个常数,大约等于总跳变值的9%。吉布斯现象如下图所示。
图1 吉布斯现象示意图
实际上,吉布斯现象最先并不是吉布斯发现的。科学家阿伯特·米切尔森(Albert Michelson)是第一个获得诺贝尔奖的美国人,他以米切尔森-莫利(Michelson-Morley)实验测量光速而闻名于世。但很多人不知道的是,他才是第一个发现吉布斯现象的人。
图2 米切尔森
图3 吉布斯
1898年,米切尔森(Albert Michelson)做了一个谐波分析仪。该仪器可以计算任何一个周期信号x(t)的傅里叶级数截断后的近似式,其中N 可以算到 80。米切尔森用了很多函数来测试它的仪器 ,结果都很好。然而当他测试方波信号时,他得到一个重要的,令他吃惊的结果!他于是根据这一结果而怀疑起他的仪器是否有不完善的地方。他将这一问题写一封信给当时著名的数学物理学家吉布斯 (Josiah Gibbs),吉布斯检查了这一结果,并于1899年在《自然》杂志上发表了他的看法。
若用x(t)表示原始信号,xN(t)表示有限项傅立叶级数合成所得的信号,米切尔森所观察到的有趣的现象是方波的xN(t)在不连续点附近部分呈现起伏,这个起伏的峰值大小似乎不随 N 增大而下降!吉布斯证明:情况确实是这样,而且也应该是这样。随着N 增加,部分和的起伏就向不连续点压缩,但是对任何有限的 N 值,起伏的峰值大小保持不变 ,这就是吉布斯现象。
这个现象的含义是:一个不连续信号 x(t) 的傅里叶级数的截断近似 xN(t),一般来说,在接近不连续点处将呈现高频起伏和超量,而且,若在实际情况下利用这样一个近似式的话,就应该选择足够大的 N ,以保证这些起伏拥有的总能量可以忽略。当然,在极限情况下,近似误差的能量是零,而且一个不连续的信号(如方波)的傅里叶级数表示是收敛的。
转载于:https://www.cnblogs.com/wxl845235800/p/7692788.html
振铃效应(ringing artifacts)相关推荐
- 几种常用的假设图像边界条件用于抑制振铃效应及实现(上)
一 介绍 传统的图像复原方法可能会给复原图像引入振铃效应,并且以边界振铃为主:产生这种现象的原因简单地来讲主要是由于模糊核的 不精确或者信息丢失. [图片来自论文<光学合成孔径系统成像性能优化与 ...
- 棋盘效应(Checkerboard Artifacts)
定义:棋盘效应是由于反卷积的"不均匀重叠"(Uneven overlap)的结果.使图像中某个部位的颜色比其他部位更深: 具体原因:在反卷积操作时,如果卷积核(Kernel)大小不 ...
- 块效应 振铃效应 呼吸效应
1.块效应: (1)概念: 主要是由视频图像采用基于块的编码方式和量化造成相邻块之间存在明显差异的现象,在视频编码中人眼察觉到的小块边界处的不连续. (2)产生原因: 1.编码过程中对残差进行DCT变 ...
- 视频编码中的块效应、振铃效应和呼吸效应分析
1.块效应: (1)概念: 主要是由视频图像采用基于块的编码方式和量化造成相邻块之间存在明显差异的现象,在视频编码中人眼察觉到的小块边界处的不连续. (2)产生原因: 1.编码过程中对残差进行DCT变 ...
- 【Codecs系列】之视频编码中的块效应、振铃效应和呼吸效应分析
Date: 2018.5.28 1.块效应: (1)概念: 主要是由视频图像采用基于块的编码方式和量化造成相邻块之间存在明显差异的现象,在视频编码中人眼察觉到的小块边界处的不连续. (2)产生原因: ...
- 振铃效应(Ringingeffect)
振铃效应(Ringingeffect)是影响复原图像质量的众多因素之一,其典型表现是在图像灰度剧烈变化的邻域出现类吉布斯(Gibbs)分布--(满足给定约束条件且熵最大的分布)的振荡.在图像盲复原中, ...
- 21.失真/低高通/振铃效应/旁瓣泄漏效应/频域滤波/图像深度/频带/线性滤波源码分析 -- OpenCV从零开始到图像(人脸 + 物体)识别系列
本文作者:小嗷 微信公众号:aoxiaoji 吹比QQ群:736854977 简书链接:https://www.jianshu.com/u/45da1fbce7d0 本文你会找到以下问题的答案: 失真 ...
- 几种常用的假设图像边界条件用于抑制振铃效应及实现(下)
三 其他BC 1.Repeated BC Xu Zhou等人在<A boundary condition based deconvolution framework for image debl ...
- 吉布斯效应(Gibbs)、振铃(ring)现象和块效应(Blocking Artifact)
在一维信号中,前两个现象比较好理解.通过百度百科,了解的比较透彻. 先来简要回顾一下吉布斯效应. 对于Gibbs现象,百度百科解释为:吉布斯现象(又叫吉布斯效应):将具有不连续点的周期函数(如矩形脉冲 ...
最新文章
- spring集成rabbitmq遇到的问题
- Python面向对象简单继承
- c ++类成员函数_C ++编程中的数据成员和成员函数
- SAP系统企业内部安全审计介绍
- 怀念本科时代----科学入门的导师肖建华老师
- 无苹果,怎么编写内置 iOS 应用?
- uview组件得到回调的参数
- iPhone 3G 的摄像头怎么用啊~
- python中的leap_Python-规则打破了leap年?
- 9.XSD 复合类型指示器
- 何为领导力 —— 《Working Backwards》书评
- Android第十七课 Jni string空串跨模块使用崩溃注意事项
- 《Android框架揭秘》——2.1节主机环境构成
- Android进阶知识(五):IPC基本概念之Binder、Binder工作机制及其原理
- HSC-1th misc——DORAEMON
- raid配置ssd为缓存_固态硬盘做缓存如何设置
- 老人与海好词100英文带翻译_老人与海优美段落英文,英文的优美句子,带翻译,越多越好,谢谢...
- 下一代 Web 应用模型 —— Progressive Web App
- VLDB 2021 COCO 论文阅读
- 360智能摄像机:超市防盗安全员
热门文章
- 【机器学习原理实战01】Ridge回归模型
- maven 解决Cannot access alimaven (httpmaven.aliyun.comnexuscontentrepositoriescentral)
- 【机器学习】SVR支持向量机回归
- 第八天 02.hydra暴力破解ssh密码以及ftp密码
- FusionCharts的基本使用(3)
- 黑群晖(DSM7)使用docker挂载zerotier one实现内网穿透
- LeetCode栈和队列练习
- EasyRecovery14最新个人版数据恢复工具
- Android后台Kill(二):ActivityManagerService与App现场恢复机制
- POJ - 3384 Feng Shui(半平面交)