图像傅立叶变换.docxVIP

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。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。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。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。?图像的傅立叶变换，原始图像由N行N列构成，N必须是基2的，把这个N*N个包含图像的点称为实部，另外还需要N*N个点称为虚部，因为FFT是基于复数的，如下图所示：计算图像傅立叶变换的过程很简单：首先对每一行做一维FFT，然后对每一列做一维FFT。具体来说，先对第0行的N个点做FFT（实部有值，虚部为0），将FFT输出的实部放回原来第0行的实部，FFT输出的虚部放回第0行的虚部，这样计算完全部行之后，图像的实部和虚部包含的是中间数据，然后用相同的办法进行列方向上的FFT变换，这样N*N的图像经过FFT得到一个N*N的频谱。下面展示了一副图像的二维FFT变换：频域中可以包含负值，图像中灰色表示0，黑色表示负值，白色表示正值。可以看到4个角上的黑色更黑，白色更白，表示其幅度更大，其实4个角上的系数表示的是图像的低频组成部分，而中心则是图像的高频组成部分。除此以外，FFT的系数显得杂乱无章，基本看不出什么。注：因为对于离散时间信号而言，pi的偶数倍附近是低频部分，pi的奇数倍附近是高频部分。经过FFT以后1～N/2+1(0～pi)对应是正频率，N/2+2～N(pi～2*pi)对应负频率，在wgnick程序中，把中间部分置零，相对应正频率的高频部分，和负频率的负高频部分置于零，把高频分量去掉了。另一种处理说法，可能你更容易理解，就是只对正频率处理，把高频部分置零，然后把它扩展到负频率部分，只要实部偶对称，虚部奇对称。然后再作IFFT，变成时间序列。这种方法是等于频率维加窗。上程序加的是矩形窗，当然还有其它的窗可加，如hanning, haming. kaiser窗等。在频率维上加窗:F(f)W(f)就是时间维上的褶积:f(t)*w(t)。实际上这方法是FIR滤波器设计的一种。在胡广书的数字信号处理第8章中FIR DF设计的窗函数法中包括了这种方法。用滤波的方法时，一定要有先验知识，即知道信号的频率范围和噪声的频率范围，然后设计滤波器的通带和阻带，把信号和噪声分离。将上述直角坐标转换为极坐标的形式，稍微比较容易理解一点，幅度中4个角上白色的区域表示幅度较大，而相位中高频和低频基本看不出什么区别来。上述以一种不同的方法展示了图像频谱，它将低频部分平移到了频谱的中心。这个其实很好理解，因为经2D-FFT的信号是离散图像，其2D-FFT的输出就是周期信号，也就是将前面一张图周期性平铺，取了一张以低频为中心的图。将原点放在中心有很多好处，比如更加直观更符合周期性的原理，但在这节中还是以未平移之前的图来解释。行N/2和列N/2将频域分成四块。对实部和幅度来说，右上角和左下角成镜像关系，左上角和右下角也是镜像关系；对虚部和相位来说，也是类似的，只是符号要取反，这种对称性和1维傅立叶变换是类似的，你可以往前看看。为简单起见，先考虑4*4的像素，右边是其灰度值，对这些灰度值进行2维fft变换。h和k的范围在-N/2到N/2-1之间。通常I(n,m)是实数，F(0,0)总是实数，并且F(h,k)具有对偶性。如果写成指数形式，即:--------------------------------图像傅立叶变换的物理意义如果只保留靠近中心的幅度，则图像的细节丢失，但是不同区域还是有着不同灰度。如果保留的是远离中心的幅度，则图像的细节可以看得出，但是不同区域的灰度都一样了。考虑一个黑色矩形的傅立叶变换，这个黑色矩形的背景为白色。如果对频域中垂直方向高频分量进行截断，则图像中黑白将不那么分明了，表现为振荡。可以得出结论：傅立叶变换系数靠近中心的描述的是图像中慢变化的特性，或者说灰度变换比较缓慢的特性（频率比较慢的部分）；傅立叶变换系数远离中心的描述的是图像中快变化的特性，或者说灰度变换比较剧烈的特性（频率比较快的部分）。-------------------------