[理学]第二章 其它域间变换b.pptVIP

第二章 图像处理中的常用数学变换 北京信息科技大学 光信系 为了分析非平稳信号，或信号的局域特性，人们发展了信号的时频域分析法，加窗傅里叶变换（也称短时傅里叶变换，STFT ）就是其中的一种，它把非平稳信号看成是一系列短时平稳信号的叠加，而短时性则是通过时域上的加窗来获得的。 加窗傅里叶变换是一种局域化的时频分析方法，只要适当地选择窗函数g ( t ) ，就可以通过信号f （t）的加窗傅里叶变换获得它在T ( g ( t )信号的时宽)时间区间内的信息。 要在计算机上实现一个信号的加窗傅里叶变换，该信号必须是离散的，且为有限长的。 对于一个二维离散信号f (x,y),若h (x,y)和g (x,y) 是满足双正交关系的离散综合窗和分析窗函数，则f (x,y)的Gabor 变换及其Gabor 展开可写成如下形式： 2.6 PCA变换 主成分分析PCA 方法，也叫霍特林（Hotelling ）变换、离散K-L 变换，是应用最广泛的一种特征提取方法之一，它是一种统计学方法，在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。 主成分分析方法的基本思想是提取出空间原始数据中的主要特征（主元），减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分的信息，从而解决数据空间维数过高的瓶颈问题。 PCA的基本概念 主成分分析法（PCA ）是模式识别判别分析中最常用的一种线性映射方法，该方法是根据样本点在多维模式空间的位置分布，以样本点在空间中变化最大方向，即方差最大的方向，作为判别向量来实现数据的特征提取与数据压缩的。 PCA 变换应用 2.5 小波变换 小波变换是近年来在图像处理中受到十分重视的新技术，面向图像压缩、特征检测以及纹理分析的许多新方法，如多分辨率分析、时频域分析、金字塔算法等，都最终归于小波变换的范畴中。 线性系统理论中的傅里叶变换是以在两个方向上都无限伸展的正弦曲线波作为正交基函数的。对于瞬态信号或高度局部化的信号（例如边缘），由于这些成分并不类似于任何一个傅里叶基函数，它们的变换系数（频谱）不是紧凑的，频谱上呈现出一幅相当混乱的构成。这种情况下，傅里叶变换是通过复杂的安排，以抵消一些正弦波的方式构造出在大部分区间都为零的函数而实现的。为了克服上述缺陷，使用有限宽度基函数进行变换的方法逐步发展起来了。这些基函数不仅在频率上而且在位置上是变化的，它们是有限宽度的波并被称为小波。基于它们的变换被称为小波变换。 连续小波变换 二进小波变换 离散小波变换 二维离散小波变换 二维离散小波变换 正变换 从一幅N *N 的图像f1(x,y)开始，其中下标指示尺度并且N 是2 的幂。对于j＝0 尺度为20 = 1 ，也就是原图像的尺度。j表示分辨率的参数，不是尺度，j值的每一次增大都使尺度加倍，而使分辨率减半。 在变换的每一层次，图像都被分解为四个1 / 4 大小的图像，它们都是由原图与一个小波基图像的内积后，再经过在行和列方向进行2 倍的间隔取样而生成的。 小波变换的应用 小波变换在图像压缩中的应用 用于信号与图像压缩是小波分析应用的一个重要方面。它的特点是压缩比高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中可以抗干扰。基于小波分析的压缩方法很多，比较成功的有小波包最优基方法、小波域纹理模型方法、小波变换零树压缩、小波变换向量压缩等。 小波变换是一种复杂的数学变换，可以在时域和频域上对原始信号进行多分辨率分解。 举一个二级小波分解的例子，图2 . 29 ( a ）是一个分辨率为256 *256 像素的灰度图像，假设像素的量化精度是8bit ，则每个像素的取值范围是0 - 255 , 0 对应最低灰度值“黑”, 255 对应最高灰度值“白”, 0 -255 之间的值对应一系列灰度值。现在对这个二维原始图像做小波变换，实际上就是把原始图像的像素值矩阵变换成另一个有利于压缩编码的系数矩阵，该系数矩阵所对应的图像如图2 . 29 ( b 所示。 可以看出，经过一级小波变换后，原始图像被分解成几个子图像，每个子图像包含了原始图像中的不同频率成分。左上角子图包含了图像的低频分量，即图像的主要特征，低频分量可再次分解；右上角子图包含了图像的垂直分量，即包含了较多的垂直边缘信息；左下角子图包含了图像的水平分量，即包含了较多的水平边缘信息；右下角子图包含了图像的对角分量，即同时包含了垂直和水平边缘信息。 从图2.29 ( b )中可以看出，经过小波变换，原始图像的全部信息被重新分配到了四个子图中，左上角子图包含了原始图像的低频信息，但失去了一部分边沿细节信息，这些失去的细节信息被分配到了其他三个子图中。由于失去了部分细节信息，所以左上角子图比原始图像模糊了一些，不仅如此，其长宽尺寸也降