系统学习数字图像处理之频域滤波
最近在看模板匹配,虽然很简单,但还是想认真过下基础,因此把信号处理频域相关的内容,接着图像处理再过一遍。
理论上,对连续变量t的连续函数f(t)的傅里叶变换为F(u),利用f(t)取样后的函数重建f(t),则必须满足取样定理,取样函数的傅里叶变换为F'(U),它是连续周期的,因此F‘(u)*H(u),就是F(U),即可重建。要注意的是,f(t)必须是连续的带限函数。
关于混淆
一维情况下,在取样过的函数中,混淆总是存在的,尽管原始取样过的函数是带限的,但实践中,我们要做的是限制时间的函数,在我们限制函数的持续时间时,总会引进无限的频率分量(例如对f(t)*h(t),则实现限制函数的持续时间,但由卷积定理知道它们的结果会产生无限的频率分类,因为H(u)包含无限的频率分类,卷积后也是)。因此,没有有限持续时间的函数是带限的。反之,一个带限函数,一定从-∞扩展到﹢∞。所以,用有限长度的取样记录,混淆不可避免。因为我们不可能得到带限函数。
正如一维情况下一样,图像中(二维情况)混淆也是不可避免的。包括空间混淆和时间混淆。主要研究空间混淆,即X,Y方向的有害频率分量,而时间的混淆,主要体现在车轮看上去与实际转速相反的例子上,因为人眼采样率低于车轮转速,导致高频被混淆成低频了。
图像的空间混淆主要是认为引入的缺陷,如线状特征中的锯齿,伪高光及原图像中不存在的模式。
通过稍微散焦被数字化的场景来削弱高频可以降低混淆的影响,但一定是在取样前。
空间混淆,主要是欠取样引起的,因此,采用像素复制的方式,进行图像重取样时,混淆的影响会更坏。这在很强边缘处看起来就是锯齿。对于内插,采用双线性内插,则锯齿现象会减小。同时,为减小混淆,在缩小图像之前,稍微模糊一下图像。
在数字图像中,当扫描介质印刷物(如报纸)时,或者在具有周期分量的图像中,如果它的间隔与取样间隔可比的时候,就会出现莫尔模式。也就是波纹效应。
对于图像来说,傅里叶谱对图像的平移不敏感,但随着图像的旋转而旋转。但相角很敏感。
图像的灰度信息由傅里叶谱携带,对于图像特性,相位起支配作用。
因为DFT表达式中是周期函数,因此通过DFT的乘积的IDFT计算卷积会出现因为周期的靠近而互相干扰的缠绕问题,需要0填充P>= A + B - 1.一般来说DFT算法对偶数尺寸的阵列执行较快,因此最好选择P为满足条件的最小偶整数。
频域滤波
给定M*N的图像f(x,y),填充为P*Q,平移变换中心,计算F(u,v),设计滤波器H(u,v),大小与处理后的f(x,y)相同,计算乘积的IDFT,取实部,再移回变换中心,裁剪为M*N。
频域平滑
理想低通(尖锐),巴特沃斯(高阶尖锐,低阶平滑),高斯(平滑)。
实际中,由于理想低通的截止频率不平滑,会有振铃现象,巴特沃斯滤波器在1阶处没有振铃,2阶有但看不出来,随着阶数升高,振铃越明显。高斯则无振铃,因为其DFT也是高斯。但高斯与2阶巴特沃斯相比,效果差点,因此,在需要严格控制低频和高频截止频率的过渡的情况下,巴特沃斯低通是最好的选择。除此之外,高斯最佳。
频域锐化
即高通 = 1-低通。与低通(理想,巴特沃斯,高斯)类似,但要注意的是巴特沃斯D0/Du。
另外还有,拉普拉斯(要注意归一化标定问题),与空域类似的钝化模板,高提升滤波,高频强调滤波。
同态滤波
同时增强对比度和压缩动态范围,利用对图像取自然对数后做频域滤波在取指数,通过降低支配照射分量的影响,允许低灰度变得可见,同时由于高频分量被增强,故反射分量(边缘信息)被明显锐化了。也就是图像的照射分量通常由慢的空间变化来表征,反射分量则往往引起突变这一特性。
选择滤波
即处理指定频段或者频率矩形的小区域。第一类是带阻和带通,第二类是陷波滤波器。其中陷波更有用,例如消除波纹效应。陷波直接处理实际的DFT,无须填充平移,却不产生任何缠绕问题。它的主要应用之一是选择性的修改DFT的局部区域。
以上,对频域滤波做个整体补充个总结,实际中频域滤波是原型化一个实际问题的滤波器的最快速,直接,有效的方法。
系统学习数字图像处理之频域滤波相关推荐
- 数字图像处理之频域滤波
前段时间看了很多的概念和知识,发现因为是走马观花的过了一遍,所以看得稀里糊涂的,然后许多地方混淆了概念,特别是关于图像频率域的部分的理解(包括图像频率域滤波之类的),所以下面总结一下这段时间重新看&l ...
- paper 108:系统学习数字图像处理之图像复原与重建
首先,必须注意这里所限制的处理条件. 关于图像退化/复原模型 退化的图像是由成像系统的退化加上额外的噪声形成的. 1.只考虑噪声引起的退化 噪声模型,包含于空间不相关和相关两种,除了空间周期噪声,这里 ...
- 系统学习数字图像处理之图像复原与重建
首先,必须注意这里所限制的处理条件. 关于图像退化/复原模型 退化的图像是由成像系统的退化加上额外的噪声形成的. 1.只考虑噪声引起的退化 噪声模型,包含于空间不相关和相关两种,除了空间周期噪声,这里 ...
- 系统学习数字图像处理之目标识别
模式:描绘子组合,即特征.x = (x1,x2,...xn)T. •模式类:共享某些属性的模式族 •常见模式组合: 向量.串和树 •类型可分离的程度的高低很大程度上取决于应用的描绘子的选择 两大模式识 ...
- 数字图像处理:频域滤波-高低通滤波
频域滤波 频域滤波是在频率域对图像做处理的一种方法.步骤如下: 滤波器大小和频谱大小相同,相乘即可得到新的频谱. 滤波后结果显示,低通滤波去掉了高频信息,即细节信息,留下的低频信息代表了概貌.常用的例 ...
- 系统学习数字图像处理之灰度变换和空域滤波
一些基本的灰度变换 1.图像反转,即s=L-1-r 增强嵌入在图像中的暗区域中的或灰色细节,特别是当黑色在面积尺寸上占主导地位时. 2.对数变换,s=clog(1+r)完成动态范围的压缩和扩展,压缩像 ...
- 系统学习数字图像处理之图像压缩
1.霍夫曼编码 霍夫曼编码的基本思想:输入一个待编码的串,首先统计串中各字符出现的次数,称之为频次,假设统计频次的数组为count[],则霍夫曼编码每次找出count数组中的值最小的两个分别作为左右孩 ...
- 系统学习数字图像处理之描绘子
图像分割结果是得到了区域内像素集合,或位于区域边界上的像素集合. 把图像分割后,为了进一步的识别等处理,分割后的图像一般要进行表示和描述. 表示是直接具体地表示目标,好的表示方法应具有节省存储空间.易 ...
- 系统学习数字图像处理之形态学分析补充(灰度级处理)
一 基本概念 所谓的灰度级膨胀和腐蚀即将而知图像的二值形态学运算推广到灰度图像上.对于一幅图像的腐蚀(膨胀)运算定义为对每个像素赋值为某个领域内输入图像灰度级的最小(或最大值).在二值变换中的结 ...
最新文章
- uiautomator环境搭建所遇问题汇总
- python下载大文件-python requests 下载大文件不完整
- npm安装不上nodemon_node.js - NPM安装在nodemon@1.18.9后安装脚本处失败 - 堆栈内存溢出...
- 猛增 110K Star!年增长数最多的 10 大顶级前端学习资源项目!
- angular 拼接html 事件无效
- 在GCC和Visual Studio中使用hash_map
- STL源码剖析 stack 栈 概述->(使用deque双端队列 / list链表)作为stack的底层容器
- sphinx帮助我通过rst生成静态html
- 美国计算机研究生学校排名2015,2015USNews美国大学研究生计算机工程专业排名
- ES6新特性_ES6语法糖class介绍与初体验_就是个语法糖而已---JavaScript_ECMAScript_ES6-ES11新特性工作笔记033
- python编程从入门到实战的16堂课_Python编程从入门到实战的16堂课(第2版)简介,目录书摘...
- python爬虫案例——百度贴吧数据采集
- 面试了一个6年的Java,竟然什么都不会!
- 数字音频功放芯片型号与应用介绍
- [GIS教程] 5.2 空间数据管理 | SDE空间数据引擎
- 但行好事,莫问前程。
- Introduction to Graph Neural Network(图神经网络概论)翻译:目录总览
- UEFI Drivers UEFI Driver Model
- Arduino基础入门之十三 温湿度传感器DHT11
- Pytorch学习之torch----Reduction Ops
热门文章
- Mac上编译Android8.0+
- Mac 2016 运行Emacs,M-x键失效问题
- C++之printf格式
- Windows中的磁盘分区、MBR、GPT
- centos6.9终端命令
- 如何让你的Linux云服务器更加的安全?
- 冒泡排序java代码_美团面试,我竟然输给了冒泡排序。。。
- 反射创建对象_面试题汇集——java反射
- win7屏保时间设置_015时间轮盘电脑版
- python语言中函数在调用前必须先定义吗_应该在python中使用函数之前进行定义?...