第二章 傅里叶变换..pptVIP

注意: WK = e-j2?/K, K = M/2, 且W2K2ux = WKux, 故有 对u = 0, 1, …, K-1, 定义 再因为对任意的正整数K, 有WKu+K = WKu 和 W2Ku+K = -W2Ku. 从上面几个公式可以得到 4.3 傅里叶变换的实现 分析: 观察(4.6.41)－(4.6.44)式, 易见一个M点的傅里叶变换可以把原始表达式分成“前”/“后”两部分来计算. “前”一半M/2个点上的变换值, 可以通过计算(4.6.41)、(4.6.42)然后带入(4.6.43)得到; “后”一半可以直接从(4.6.41)得到, 不需要另外的变换运算. 注意(4.6.41)和(4.6.42). 它们都可以看成是K = M/2个点的傅里叶变换, K = 2n-1, 它们当然可以作类似的处理, 得到另外4个需要计算的K/2个点的傅里叶变换. 如此循环推导下去, 直到最后剩下若干组两个点对. 用归纳法凡推回来可以证明, FFT的计算复杂性是Mlog2M. 4.3 傅里叶变换的实现 曲线表示了FFT相对于直接实现DFT的计算优势, 该优势随着n的增长而快速增长. 4.3 傅里叶变换的实现 * F(u)具有和向量内积类似的形式 * 有可能在图像中的起始位置不是一个周期的开始位置. * 考虑一个极限情况:若函数在所有的M个点上都等于常数A, 它的频率谱会是什么形状? * 考虑一个极限情况:若函数在所有的M个点上都等于常数A, 它的频率谱会是什么形状? * ? 极限情况(直线)、能量分布情况 * 本课程涉及到的滤波器都是实数 * 陷波滤波器在图像复原中(第五章)中有重要的应用. * 希望有同学做一个谱平面旋转的实验课题 高斯函数是低通滤波器(?), 但也可以通过组合构造出更复杂的滤波器, 如高通和带通等. 高频增强 空间域 频域滤波器 空间域 4.2 傅里叶变换和频率域介绍 其中: 在频率域技术的发展过程中, 经常被问到的问题就是计算复杂性. 为什么在空间域用小模板就可以做到的事情, 却要在频率域里去考虑? 这个问题可以从两方面来回答: 一方面是因为频率域直观, 可以很容易凭经验指定滤波器; 另一方面的答案取决于空间模板的大小, 并可以用对比计算复杂性的方式来回答. 一个用于计算复杂性对比的基准是计算卷积. 空间域的卷积由公式(4.2.30)给出. 而由卷积定理可知, 对两个函数傅里叶变换的乘积做反变换, 也可以得到同样的结果. 假定: 在同一台微机上用软件实现这两种算法(频率域使用4.6.6节讨论的FFT), 会发现对较小的M和N值, 频率域的计算会非常快. 频率域可以看成是一个实验室, 从中可以利用频率成分和图像外观之间的对应关系. 后面的许多例子将反复证明: 一些在空间域中很难表述、甚至不可能的增强任务, 在频率域会变得非常简单.例如周期性背景噪声. 4.2 傅里叶变换和频率域介绍 4.3 傅里叶变换的实现 这一节是本章的重要内容之一. 目的是解决实际计算傅里叶变换时出现的问题, 包括快速傅里叶变换. 假设: f(x, y)是M ? N的二维图像, F(u, v)是其傅里叶变换, 有 平移性质 f(x, y)ej2?(u0x/M+v0y/N) ? F(u – u0, v – v0) f(x – x0, y – y0) ? F(u, v)e-j2?(x0u/M+x0v/N) 二维傅里叶变换的性质 注意: 当u0 = M/2和v0 = N/2时, 有 ej2?(u0x/M+v0y/N) = ej?(x+y) = (-1)x+y f(x, y)(-1)x+y ? F(u – M/2, v – N/2) 提供了频谱中心化的方法. 分配性和比例变换性 旋转性质: 如果引入极坐标: x = rcos?, y = rsin?, u = ?cos?, v = ?sin? f(r, ?+?0) ? F(?, ?+?0) 此式表明当原图像f(x, y)以某一角度旋转时, 其谱平面也将转过同样的角度. 注: 对离散情形, 若有M = N, 证明易见. 4.3 傅里叶变换的实现 f(x, y)ej2?(u0x/M+v0y/N) ? F(u – u0, v – v0) * * (a)原始图像 (b) DFT变换 (c) 原始图像旋转45o (d) 旋转之后DFT变换结果 *周期性和对称性 直接验证可知, 离散傅里叶变换具有周期性 F(u, v) = F(u+M, v) = F(u, v+N) = F(u+M, v+N) 注意e-j2?x = 1, 故 e-j2?((u+M)x/M+vy/N) = e-j2?(ux/M+vy/N) 同理, 反变换也具有周期性