图像的频域变换-2017年11月.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。　　　 图像变换的前提条件 首先，提出的变换必须是有好处的，换句话说，可以解决时域中解决不了的问题。　 其次，变换必须是可逆的，可以通过逆变换还原回原时域中。　　 本章讨论的内容 二维离散傅立叶变换 快速傅立叶变换 二维离散傅立叶变换的应用 离散余弦变换　　　 二维离散傅立叶变换 因为数字图像信号是二维的数字信号，所以必须采用二维傅立叶变换才能够实现对图像的频域变换。　　　 二维离散Fourier变换 —— 正变换 二维离散Fourier变换 —— 反变换 二维离散Fourier变换  —— 变换公式系数说明 二维离散Fourier变换 —— 作用 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。 快速Fourier变换（FFT） FFT的推导 FFT的推导 FFT的推导 FFT的推导 FFT的推导 FFT的算法原理 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。 也就是说FFT是将复杂的运算变成两个数相加（减）的简单运算的重复。这恰好符合计算机计算所擅长的计算规律。 FFT的算法步骤 1. 先将数据进行奇、偶分组。 FFT算法步骤 分析偶数部分的数据项： FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法步骤 FFT算法图示 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： 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。 二维Fourier变换的应用 ——用于图像滤波 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。 二维Fourier变换的应用 ——用于图像压缩 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。 二维Fourier变换的应用 ——用于计算卷积 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。 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。 离散余弦变换（DCT） 正变换： 离散余弦变换（DCT）—— 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 变换示例 图像的频率特性 Fourier变换的低通滤波示例 Fourier变换的高通滤波示例 基于Fourier变换的压缩示例 基于Fourier变换的压缩示例 下标值分别为：000，010，100，110 排序为： 000, 100, 010, 110 奇数项部分： 下标值分别为：001，011，101，111 排序为： 001, 101, 011, 111 分成偶数、奇数为（偶数在左，奇数在右）： 按照前面叙述的FFT方法,第1层(4组2个点的运算)： 偶数项部分 奇数项部分 第2层偶数部分： 第2层奇数部分： 第3层（1组8个点的运算）： 按照定义，可得其Fourier变换为： 下面，我们以F3为例验证结果是否正确： 逆变换： 其中： 另一幅图像效果 压缩率为：1.7：1 压缩率为：2.24：1