第二章有关数学基础20140101.pptVIP

两方面问题： 抽象 物理现象 数学模型 数学工具：解决实际问题 ;2.1 图像的向量表示 2.2 随机场－图像的统计表示 2.3 正交变换 2.4 付氏变换 2.5 离散图像付氏变换( DFT ) 2.6 快速付氏变换（FFT）;1、矢量→(图像的另一种表示方式)；图像随机场。 2、处理可看作是对矩阵进行变换。 变换→增强，特征提取，数据压缩 3、采样与量化→模拟的转换成数字的。 ( 正交矩阵：A’=A-1 ，其中： ’转置，-1逆 酉矩阵：(A*) ’ =A-1 ， 其中： * 共轭);二维图像矩阵 ;矩阵和矢量间关系： ;当输入输出图像均为向量表示时，则处理之可表示为：;也可表示为： ; 一幅图像并不是全图各部分特征都相同，相同了则无信息，不同才有信息。任一图像，其特征为随机的，且全场各部分间也不均匀（随机的），不存在全图统一的特征。 图像可作为二维随机场中一个样本 来分析。在某些场合使用确定的表示来描述图像有困难，然而用平均特性能方便地描述，如描述纹理结构图象可能很方便。 由于图像为实函数，可认为是二维实随机场。; 一个图像完备集包含所有图像，任一图像可看作其中一个样本，图像集可看作随机场，在此集中某一像素亮度fi随x,y而变化。 对确定的(x0,y0)其值又随i而变化(i为第i幅图)，即任一点fi(x0,y0)均为随机变量，每一点均可用统计特性来描述。 随机场中特定(x0,y0)为一随机变量，对场上所有(x，y)，不一定具有相同的统计特性，即f(x,y)之分布函数与(x, y)密度函数有关。 令P{f(x,y)z} 代表 f(x,y)z 之概率，随机变量f(x,y)在点(x,y)处分布函数 表为： ;f(x,y)在（x,y）处密度函数： ;自相关函数 :; 一个实函数或复函数若用 x(t)表示，其定义域为（t0,t0+T）在此区间可展开为：; 变换是个工具，一个域特征不突出到另一个域则突出，信号处理中空域和频域之间的相互变换常用。 例如：;对图像函数f(x,y) ，其付氏正变换：;可见逆变换的物理含义为： f(x,y) 可看作 ; 有关的概念： ;互相关： ;2.5 离散图像付氏变换( DFT ) ; 对离散付氏变换：变换核[P]=[WMM]，[Q]=[WNN];这里 ：;注意到： ;;（a）lenna图 （b）傅氏变换的频谱图 图像及其频谱图像示意图 ;1、可分离性 二维傅立叶变换式可以分离成如下形式：; 乘以一个指数项，就相当于把其二维离散傅立叶反变换 的空域中心移动到新的位置。;2.5 离散图像付氏变换( DFT ) ; 将 的原点移到 方阵的中心，以使能清楚地分析傅立叶变换谱的情况。只需令：;2.5 离散图像付氏变换( DFT ) ;2.5 离散图像付氏变换( DFT ) ;4．旋转不变性;5．分配性和比例性 傅立叶变换的分配性表明傅立叶变换对于加法可以分配，而对乘法则不行。即;5．分配性和比例性;实例1 正弦波去噪;实例2 去噪实例 图像受白噪声干扰的原理如图所示，对于一幅不受白噪声干扰的图像，假设其频谱为图(a)所示的形式，其中横坐标为频率，纵坐标为幅值，对应低频部分幅值较高，高频部分幅值较低。对于高斯白噪声，其频谱如图(b)所示，其幅值是一个常数，那么当原始图像受到白噪声干扰时，它的频谱将变成(c)中的形式。; 要去除图像中的白噪声，在频域中减去白噪声的幅值即可。 理想的方法：知道白噪声的模型，一般情况下很难遇到。在未知噪声幅值的情况下，可以先对噪声图像求频谱，并计算频谱幅值的平均值，用该平均值作为噪声的近似幅值，就可以对图像去噪。;2.6 快速付氏变换FFT;2.7 其它常用变换;对于;四幅拼合对称点在(-1/2,-1/2)之处，有：;另：奇数点的DCT变换见有关书。 ; [P]、[Q]可以为其它函数，最常用为Hardamard Transform。 用方波，而不用正弦，只用加减不用乘除，简单、容易用硬件实现，软件模拟时可以方便地由计算机产生，不需预先存储起来，缺点：去相关能力差。 2×2的哈达码阵为： ; 高阶哈达码矩阵可由下法构成：; 把连续信号用一组不相关的系数表示，是由karhunen Loeve提出，Hotelling则提出离散信号的不相关系数表示法，习惯上不论对连续或离散信号这