第3章 图像处理中正交变换.pptVIP

什么是图像变换? 图像变换是将图像从空间域变换到其它域（如频域）的数学变换。 简单的图像变换通常就是一种二维的正交变换，但要求这种正交变换必须是可逆的，并且正变换和反变换的算法不能太复杂。 常用的变换：傅立叶变换、离散余弦变换、沃尔什变换和哈达玛变换、霍特林变换、小波变换等等。 正交变换？ 连续函数集合的正交性 一组实值的连续函数集合： 正交函数集合的完备性 离散情况 n个正交向量 满足上式的基相量组成矩阵： 一维正交变换 二维正交变换 N×N二维函数可以类似于一维 二维傅里叶变换 在图像处理中，一般总是选择方形阵列，所以通常情况下总是M=N。因此，二维离散傅里叶变换多表示为： 三、 二维离散傅里叶变换的性质 基本性质： 1.线性 图像离散傅里叶变换的具体计算过程为： 对图像f(x,y)的每一行进行一维傅里叶变换后得到N个值，将其排在同一行位置，再对由逐行变换获得的矩阵的每一列进行傅里叶变换。 图像数据在计算机中存放的格式为按行存放，一维傅里叶变换执行后，得到N个值按行放回。在执行第二个一维傅里叶变换时，需要按列进行，取数速度减慢。因此，在执行行变换后要进行图像数据的转置，大矩阵的快速转置算法是二维图像FFT的一个关键。目前，已经出现用芯片进行图像FFT，使得运算具有更高速度。 其他性质： （1）周期性 （2）共轭性 （3）比例尺性质 （4）卷积定理 （5）相关定理 … 四、傅里叶变换的意义 图像经过傅立叶变换后，得到图像的频域，即得到频率成分。 频率表示的是相邻像数之间数值（颜色，亮度等等）的变化，也就是说图像在空间上变化的越快，对应在频域上的数值就越大。图像经过傅立叶变换后可以提取图像的轮廓或者边界。 ? 对图像进行二维傅立叶变换得到频谱图，频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。 傅立叶频谱图上明暗不一的亮点，是图像上某一点与邻域点差异的强弱，也即该点的频率的大小。这样通过观察傅立叶变换后的频谱图，可以看出，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），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。 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看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，比如一幅带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，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 。 3.2 离散余弦变换 f(x)是时域N点序列，F(u)是第u个余弦变换系数，u是广义频率变量。 二维离散余弦变换具有系数为实数、正变换和逆变换的核相同的特点。为了分析方便，还可以用矩阵形式来表示。 举例 设一幅4*4的图像用矩阵表示为 求其离散余弦变换。 解：N=4，则 3.3 卡洛变换 K-L变换的性质 变换后的图像向量Y的均值my=0，即为零向量； Y向量的协方差矩阵Cy=ACxAT； 协方差矩阵Cy是对角型矩阵，其对角线上的元素等于Cf的特征值，即 典型应用——人脸识别 （1）搜集要识别的人的人脸图象，建立人脸图象库； 例如：人脸图像有N=40个，每个图像大小为92*112. 则训练图像可以表示为一个（92×112）×40的矩阵X （2）计算平均脸； （3）计算特征脸； 协方差矩阵是一个（92*112）×（92*112）的高维向量，先计算的特征值与特征向量，设它们分别λi和ei。再将λi的值从大到小排列，选取前Z个特征值，使其满足： 这里的表示样本集的前Z个轴上的能量占整个能量的以上。 然后，从 ，计算 ，则由Z个可以组成一个特征脸空间，其中 ， 。 （4）投影； 将每一幅人脸与平均脸的差值矢量di投影到“特征脸”空间，得到第i 个人脸的特征脸向量表示为 （ 5）对待识别的人脸进行识别（ 利用欧氏距离分类） 。 先选定一个距离阈值，如果待识别的人脸图像投影到特征