OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波) (4)

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

  分离性质的主要优点是可借助一系列一维傅里叶变换分两步求得。第一步,沿着的每一行取变换,将其结果乘以 1/N,取得二维函数;第二步,沿着的每一列取变换,再将结果乘以 1/N就得到了。这种方法是先行后列。如果采用先列后行的顺序,其结果相同。

  如图:

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

  对逆变换 f(x, y) 也可以类似的分两步进行:

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

 平移性

  傅里叶变换和逆变换对的位移性质是指:

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

  由乘以指数项并取其乘积的傅里叶变换,使频率平面的原点位移至。同样的,以指数项乘以并取其反变换,将空间域平面的原点位移至当 N/2时,指数项为:

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

  即为:

OpenCV计算机视觉学习(10)——图像变换(傅里叶变换,高通滤波,低通滤波)

  这样,用(x+y)乘以就可以将的傅里叶变换原点移动到 N*N 频率方阵的中心,这样才能看到整个谱图。另外,对的平移不影响其傅里叶变换的幅值。

  此外,与连续二维傅里叶变换一样,二维离散傅里叶变换也具有周期性,共轭对称性,线性,旋转性,相关定理,卷积定理,比例性等性质。这些性质在分析以及处理图像时有重要意义。

2.6  二维离散傅里叶变换的图像性质

  1,图像经过二维傅里叶的变换后,其变换稀疏矩阵具有如下性质:若交换矩阵原点设在中心,其频谱能量集中分布在变换稀疏矩阵的中心附近。若所用的二维傅里叶变换矩阵的云巅设在左上角,那么图像信号能量将集中在系数矩阵的四个角上。这是由二维傅里叶变换本身性质决定的。同时也表明一股图像能量集中低频区域。

  2,图像灰度变化缓慢的区域,对应它变换后的低频分量部分;图像灰度呈阶跃变化的区域,对应变换后的高频分量部分。除颗粒噪音外,图像细节的边缘,轮廓处都是灰度变换突变区域,他们都具有变换后的高频分量特征。

3,傅里叶变换的实现

  注意:无论是numpy实现,还是OpenCV实现,得到的结果中频率为0的部分都会在左上角,通常要转换到中心位置,可以通过shift变换来实现。

3.1 Numpy实现傅里叶变换

  Numpy的 FFT 包提供了函数 np.fft.fft2() 可以对信号进行快速傅里叶变换,其函数原型如下所示(该函数的输出结果是一个复数数组complex ndarray)

fft2(a, s=None, axes=(-2, -1), norm=None)

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/wpgdpd.html