课件：图像傅里叶变换.pptVIP

?? f?m,n?h?x?m, y?n? 8. 卷积理论 大小为M×N的两个函数f(x,y)和h(x,y)的离散 卷积 1 M?1N?1 MN m?0 n?0 f?x, y??h?x, y?? 卷积定理 f?x,y??h?x,y??F?u,v?H?u,v? f?x,y?h?x,y??F?u,v??H?u,v? 傅里叶变换 ?? f ?m,n?h?x?m, y?n? f ?x,y?h?x,y??F?u,v??H?u,v? 9. 相关性理论 大小为M×N的两个函数f(x,y)和h(x,y)的相关 f*表示f的复共轭。对于实函数， f*＝f 相关定理 1 M?1N?1 * MN m?0 n?0 性定义为 f?x, y??h?x, y?? f?x,y??h?x,y??F*?u,v?H?u,v? * 傅里叶变换 f?x,y?? f?x,y??F?u,v? ?R?u,v? ?I?u,v? f?x,y? ?F?u,v??F?u,v? ? 自相关理论 2 2 2 2 注：复数和它的复共轭的乘积是复数模的平方 傅里叶变换 ? 卷积和相关性理论总结 ? ? 卷积是空间域过滤和频率域过滤之间的纽带 相关的重要应用在于匹配：确定是否有感兴 趣的物体区域 ? ? ? f(x,y)是原始图像 h(x,y)作为感兴趣的物体或区域（模板） 如果匹配，两个函数的相关值会在h找到f 中相应点的位置上达到最大 傅里叶变换 相关性匹配举例 图像f(x,y) 模板h(x,y) 延拓图像f(x,y) 相关函数图像 延拓图像h(x,y) 通过相关图像最大 值的水平灰度剖面图 傅里叶变换 ? 傅里叶变换 ? ? ? 傅里叶变换及其反变换 傅里叶变换的性质 快速傅里叶变换(FFT) ? 只考虑一维的情况，根据傅里叶变 换的分离性可知，二维傅里叶变换可 由连续2次一维傅里叶变换得到 ? 快速傅里叶变换(FFT) ? 为什么需要快速傅里叶变换？ ? 快速傅里叶变换(FFT)则只需要Mlog2M次运算 ? FFT算法与原始变换算法的计算量之比是log2M/M，如 M=1024≈103,则原始变换算法需要106次计算，而FFT需 要104次计算，FFT与原始变换算法之比是1：100 1 M?1 M x?0 F?u?? f?x?e?j2?ux/M u ? 0,1,2,...,M ?1 ? 对u的M个值中的每一个都需进行M次复数乘法(将f(x) 与e?j2?ux/M相乘)和M-1次加法，即复数乘法和加法的次 数都正比于M2 ? ? FFT算法基本思想 FFT算法基于一个叫做逐次加倍的方法。通 过推导将原始傅里叶转换成两个递推公式 M ?1 x?0 1 M F?u?? 快速傅里叶变换(FFT) ? 1 2 ?Feven?u?? Fodd?u?W2uk F?u?? ? 1 2 ?Feven?u??Fodd?u?W2uk F?u ? K?? f ?x?e? j2?ux /M u ? 0,1,2,...,M ?1 ? FFT算法基本思想 其中：M = 2K Feven(u)、Fodd(u)是K个点的傅里叶值 u ? 0,1,2,...,M ?1 快速傅里叶变换(FFT) ? 1 2 ?Feven?u?? Fodd?u?W2uk F?u?? ? 1 2 ?Feven?u??Fodd?u?W2uk F?u ? K?? ? ? ? FFT公式推导 FFT算法基于一个叫做逐次加倍的方法。为 方便起见用下式表达离散傅立叶变换公式 这里 是一个常数 1 M?1 M x?0 F?u?? f?x?e?j2?ux/M 快速傅里叶变换(FFT) ? M ?1 x?0 f?x?WM ux 1 M WM ? e? j2? /M ? 快速傅里叶变换(FFT) 假设M的形式是 M ?2n n为正整数。因此，M可以表示为 M?2K 将M=2K带入上式 2K ?1 x?0 f ?x?W2uxK 1 2K F?u?? 1? 1 K?1 u?2x? 1 K?1 u?2x?1?? 2?K ? ? ?