图像检测-10频域变换精讲.pptVIP

第十章　图像的频域变换 问题的提出： 人类视觉所感受到的是在空间域和时间域的信号。 但是，往往许多问题在频域中讨论时，有其非常方便分析的一面。例如，空间位置上的变化不改变信号的频域特性。　　　 10.1 二维离散Fourier变换 Fourier变换有两个好处： 1）可以得出信号在各个频率点上的强度。 2）可以将卷积运算化为乘积运算。 10.2 快速Fourier变换（FFT） N个点需做N2次复数乘法和N N-1 次复数加法。而做一次复数乘法需要做四次实数相乘和两次实数相加，做一次复数加法需要做两次实数相加。 例：N 1024时，则需要总共1,048,576次复数乘，即4,194,304次实数乘法。 快速傅里叶变换 FFT，Fast Fourier Transform 算法的本质:充分利用因子WN的周期性和对称性。 对称性： 周期性： FFT算法的基本思想：避免运算中的重复运算，将长序列的DFT分割为短序列的DFT的线性组合，从而达到整体降低运算量的目的。 效果：使原来的N点DFT的乘法计算量从N2次降至为N/2log2N次，如N 1024，则计算量现在为5120次，仅为原计算量的4.88% 。 10.2.1 FFT的推导 10.2.2 FFT的设计思想 首先，将原函数分为奇数项和偶数项，通过不断的一个奇数一个偶数的相加（减），最终得到需要的结果。 10.2.3 FFT算法 1. 先将数据进行奇、偶分组。 偶数部分： 10.2.4 FFT算法图示 10.2.5 FFT计算例 设对一个函数进行快速Fourier变换，函数在采样点上的值设为： 偶数项部分： 对函数： 10.3 二维Fourier变换的应用 前面已经提到了Fourier变换有两个好处，即：可以获得信号的频域特性；可以将卷积运算转换为乘积运算。 因此二维Fourier变换的应用也是根据这两个特点来进行的。 10.3.1 在图像滤波中的应用 首先，我们来看Fourier变换后的图像，中间部分为低频部分，越靠外边频率越高。 因此，我们可以在Fourier变换图中，选择所需要的高频或是低频滤波。 10.3.2 在图像压缩中的应用 变换系数刚好表现的是各个频率点上的幅值。在小波变换没有提出时，用来进行压缩编码。 考虑到高频反映细节、低频反映景物概貌的特性。往往认为可将高频系数置为0，骗过人眼。 10.3.3 在卷积运算中的应用 从前面的图像处理算法中知道，如果抽象来看，其实都可以认为是图像信息经过了滤波器的滤波（如：平滑滤波、锐化滤波等 ）。 如果滤波器的结构比较复杂时，直接进行时域中的卷积运算是不可思议的。 Fourier变换可以卷积运算转换为点乘运算，由此简化运算，提高计算速度。 10.3.4 在图像分割中的应用 相当于滤波,选择不同的频率段 原 图 功 率 谱 3D 显 示 利用频域滤波消除图像规律性干扰 利用频域滤波消除图像规律性干扰 10.4 离散余弦变换（DCT） 问题的提出： Fourier变换的一个最大的问题是：它的参数都是复数，在数据的描述上相当于实数的两倍。 为此，我们希望有一种能够达到相同功能但数据量又不大的变换。在此期望下，产生了DCT变换。 10.4 离散余弦变换（DCT） 正变换： 10.4 离散余弦变换（DCT） DCT变换的应用： 余弦变换实际上是利用了Fourier变换的实数部分构成的变换。 余弦变换主要用于图像的压缩，如目前的国际压缩标准的JPEG格式中就用到了DCT变换。 具体的做法与DFT相似。即高频部分压缩多一些，低频部分压缩少一些。 作 业（共1题） 1. 第230页 第1题。 Fourier 变换示意图 Fourier变换的频率特性 Fourier变换的低通滤波 Fourier变换的高通滤波 基于Fourier变换的压缩 基于Fourier变换的压缩 地毯表面 皮革表面磨损缺陷 原图 功率谱 重构图像 分割结果 规则的图案往往是周期性的，即这种图案有固定的频率。经过傅立叶变换转换到频率域后，原来在空间域遍布整个画面的干扰图案就转换成频率域上少数的离散点。利用合适的滤波器很容易将这些离散的点去掉，再经过反变换重新回到空间域，就会发现原来的干扰没有了。 很多软件都提供了交互式频域滤波处理工具专门处理此类问题，比如Image Pro Plus，Poliview，名捕，恒锐等。 利用Photoshop处理则必须安装第三方提供的专用插件。 逆变换： 其中： * * 本章要点: 二维离散Fourier变换 快速Fourier变换（FFT） 二维Fourier变换的应用 正变换： 注：这里给出的一维正变换的系数为1。 二维Fourier变换可以转化为两次一维Fourier变换