数字图像处理第3章分析报告.ppt

第三章 图像变换 3.1 概述 为了有效和快速地对图像进行处理和分析 常常需要将原定义在图像空间的图像以某种形 式转换到另外一些空间，并利用在这些空间的 特有性质方便地进行一定的加工，最后再转换 回图像空间以得到所需要的效果。 3.1 概述 图像变换 3.1 概述 一、 图像变换的引入  1. 方法：对图像信息进行变换，使能量保持但重新分配。  2. 目的：有利于加工、处理（滤除不必要信息(如噪声)，加强/提取感兴趣的部分或特征）。  3.1 概述 二、 用途  1．提取图像特征（如） ： （1）直流分量 ； （2）目标物边缘：F（u,v）高频分量。 2．图像压缩：正交变换能量集中，对集中（小）部分进行编码。 3．图像增强：低通滤波，平滑噪声；高通滤 波，锐化边缘。 3.1 概述 图像变换是图像处理和分析技术的基础。在图像处理和分析技术的发展中，傅里叶变换曾经起过并仍起着重要的作用。 图像傅立叶变换的物理意义 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，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 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，通常用一个二维矩阵表示空间上各点，记为 z=f(x,y) 。又因空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就必须由梯度来表示，这样我们才能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，这一点与是否采取移频处理没有关系。 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。一幅频谱图如果带有正弦干扰，移频到原点上就可以看出，除了中心以外还存在以另一点为中心、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。 3.1 二维离散傅里叶变换（DFT） 尺寸为M×N的离散图像函数的DFT 反变换可以通过对F(u,v) 求IDFT获得 DFT变换进行图像处理时有如下特点： （1）直流成分为F(0,0)。 （2）幅度谱|F(u,v)|对称于原点。 （3）图像f (x, y)平移后，幅度谱不发生变化，仅有相位发生了变化。 傅立叶频谱图上明暗不一的亮点的意义 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）。 傅立叶频谱图上明暗不一的亮点的意义 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，我们就可以直观地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。 傅立叶变换在图像处理的重要作用 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频—噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测。提取图像高频分量 3.图像特征提取： 形状特征：傅里叶描述子 纹理特征：直接通过傅里叶系数来计算纹理特征 其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、 伸缩、旋转不变性 4.图像压缩 可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换； 二维离散傅立叶变换的性质 可分离性 二维离散傅立叶变换 DFT 可分离性的基本思想是：二维 DFT 可分离为两次一维 DFT 应用：二维快速傅立叶算法 FFT ，是通过计算两次一维FFT 实现的 可分离性 傅立变换的可分离性质 先进行列