基于MATLAB图像处理频率域滤波分析及应用.docVIP

基于MATLAB图像处理频率域滤波分析及应用 　　摘要：当前，数字图像处理已渗透到各行各业，图像滤波是数字图像处理的预处理，能对图像的一些特征加以有效改善。除空间域滤波外，频率域滤波也具有重要价值和意义，用傅里叶级数或变换将图像转化的频域进行低通滤波、高通滤波等处理，再通过傅里叶反变换进行重建，不仅不会丢失任何信息，还可以完成空间域无法完成的处理。 　　关键词：图像滤波；傅里叶变换；低通滤波；高通滤波 　　DOIDOI：10.11907/rjdk.171680 　　中图分类号：TP317.4 　　文献标识码：A文章编号2017）010020504 　　0引言 　　数字图像处理已应用于社会生活的各个领域，特别是近几年火热的人工智能领域。在实际中难免会遇到一些质量较差的图像，如图像模糊不清、有噪声等，因此在应用图像前，图像预处理尤为重要。鉴于此，研究图像的频率域滤波具有重要意义。频域滤波以图像的傅里叶变换为基础，通过对傅里叶谱和相角进行分析再修改傅里叶变换以达到特殊目的，常用的有高通滤波和低通滤波。 　　1基本概念 　　1.1傅里叶级数及变换 　　傅里叶指出无论函数有多复杂，只要它是周期性的，并且满足一定的数学条件，就一定可以用这种正弦和或者余弦和的形式表示。甚至在有些情况下，非周期函数也可以用正弦和或者余弦和的形式表示[1]。 　　傅里叶级数： 　　f（t）=∑∞n=-∞cnejzπnTt（1） 　　其中，f（t）是具有周期的连续变量函数。 　　cn=1T∫T/2-T/2f（t）e-j2πnTtdt， 　　（n=0，±1，±2，…）（2） 　　傅里叶变换： 　　F（u）=∫∞-∞f（t）e-j2πutdt（3） 　　傅里叶反变换： 　　f（t）=∫∞-∞F（u）ej2πutdu（4） 　　卷积： 　　f（t）Θh（t）=∫∞-∞f（τ）h（t-τ）dτ（5） 　　其中，Θ表示卷积算子。 　　卷积定理： 　　f（t）Θh（t）H（u）F（u）f（t）h（t）H（u）ΘF（u）（6） 　　双箭头表示左右两端经过傅里叶变换的转换。 　　1.2二维（图像）傅里叶变换 　　图像可以看成是一个特殊的二维信号，每一点的灰度级就是图像信号上这一点的“幅度”。根据信号的概念，频率就是信号变化的快慢，指图像空间上灰度变换的快慢，也即图像的梯度变化，频率比较大的是图像中的“边界”或“边缘”。举例来讲，如果一幅图整体变化不大（比如一张白纸），则它在频率域下低频成分很多，而高频成分极少；而如果是一幅道路上斑马线的图，则其高频成分比白纸多得多。 　　连续傅里叶变换： 　　令f（t，z）是两个连续变量t和z的连续函数，则其二维傅里叶变换对有以下两个表达式： 　　F（u，v）=∫∞-∞∫∞-∞f（t，z）e-j2π（ut+vz）dtdz 　　f（t，z）=∫∞-∞∫∞-∞F（u，v）ej2π（ut+vz）dudv（7） 　　其中，u和v是频率变量。 　　离散傅里叶变换（DFT）及反变换（IDFT）： 　　F（u，v）=∑M-1x=0∑N-1y=0f（x，y）e-j2π（ux/M+vy/N） 　　f（x，y）=1MN∑M-1u=0∑N-1v=0F（u，v）e-j2π（ux/M+vy/N）（8） 　　f（x，y）是大小为M×N的数字图像，u=1，2，3…M-1，v=1，2，3…N-1，x=1，2，3…M-1，y=1，2，3…N-1。 　　1.3卷积定理（二维） 　　二维卷积表达式： 　　f（x，y）Θh（x，y）=∑M-1m=0∑N-1n=0f（m，n）h（x-m，y-n） 　　其中，x=1，2，3…M-1，y=1，2，3…N-1。 　　二维卷积定理[1]： 　　f（x，y）Θh（x，y）F（u，v）H（u，v）f（x，y）h（x，y）F（u，v）ΘH（u，v） 　　2?D像频域分析 　　一般情况下，二维DFT是复函数，可用极坐标表示： 　　F（u，v）=F（u，v）ejΦ（u，v）（9） 　　其中，幅度： 　　F（u，v）=[R2（u，v）+I2（u，v）]1/2 　　称为傅里叶谱（或频谱），而： 　　Φ（u，v）=arctan[I（u，v）R（u，v）] 　　称为相角。 　　由式（8）可得： 　　F（0，0）=MN1MN∑M-1x=0∑N-1y=0f（x，y）=MNf-（x，y） 　　其中，f-表示f的平均值，有F（0，0）=MNf-（x，y），也即变化最慢的频率分量（u=v=0）与图像的平均灰度成正比。 　　图1频域各部分信息展示 　　如图1所示，与空间域一样，频率域的原点也在左上角，图1（b）是图1（a）经过DFT之后的数据阵