注意:这一系列实验的图像处理程序,使用Matlab实现最重要的图像处理算法


1.Fourier兑换

(1)频域增强

除了在空间域内能够加工处理图像以外,我们还能够将图像变换到其它空间后进行处理。这些方法称为变换域方法,最常见的变换域是频域

使用Fourier变换把图像从空间域变换到频域。在频域内做对应增强处理,再从频域变换到空间域得到处理后的图像。

我们这里主要学习Fourier变换和FFT变换的算法,没有学过通信原理,我对信号、时域分析也不是非常清楚。


2.FFT算法

(1)离散Fourier变换,DFT

函数f(x)的DFT F(v)的计算式为:

F(v)=∑x=1Nf(x)e−i2πvxN,v=1,2,...,N

非常显然求出全部的长度为N的信号的DFT须要N×O(N)=O(N2)的时间,比較慢,因此我们须要引入时间复杂度为O(NlogN)的FFT算法。

(2)高速Fourier变换,FFT

高速傅立叶变换FFT是利用单位复数根的特殊性质(消去引理和折半引理,见《算法导论》(第3版中文版)P532具体论述)。在O(NlogN)时间内计算出DFT的一种高速算法。

FFT有两种基本实现方式:

  • 递归FFT
  • 迭代FFT。也叫FFT蝶式运算

递归FFT因为递归栈开销大且容量有限等缺陷(但理解easy),一般计算採取迭代FFT实现。

(3)迭代FFT

直接给出算法导论版本号的迭代FFT算法:

当中求逆序数拷贝的函数为:

FFT採用折半迭代的思想,因此速度能减少到O(NlogN)。

(4)迭代FFTMatlab实现

Matlab有fft函数,我们也能够自己实现:

function [ fft_m ] = IterativeFFT( vec )
clear i; n = length(vec); fft_m = BitReverseCopy(vec);
for s = 1 : log2(n)
m = power(2, s);
wm = exp(- 2 * pi * i / m); for k = 0 : m : n - 1
w = 1;
for j = 0 : m / 2 - 1
t = w * fft_m(k + j + m / 2 + 1);
u = fft_m(k + j + 1);
fft_m(k + j + 1) = u + t;
fft_m(k + j + m / 2 + 1) = u - t;
w = w * wm;
end
end
end
end

BitReverseCopy函数例如以下:

function [ copy ] = BitReverseCopy( vec )
n = length(vec);
copy = zeros(1, n); bitn = log2(n); for i = 0 : n - 1
revi = bin2dec(fliplr(dec2bin(i, bitn)));
copy(revi + 1) = vec(i + 1);
end
end

须要特别注意的是:

  • 一般给出的FFT算法伪代码都是基于下标从零開始的数组。写在Matlab须要考虑映射关系
  • clear i是为了怕之前有变量i和复数记号i混淆,清楚Matlab workspace中的缓存
  • 默认vec是double类型的。因为中间採用很多double类型运算

3.图像的二维Fourier变换

(1)二维DFT

二维DFT定义公式为:

F(u,v)=∑x=1N∑y=1Nf(x,y)e−i2π(ux+vy)N,u,v=1,2,...,N

计算一个频域点须要O(N2)的时间,那么整个二维频域计算须要O(N4)的时间,效率非常低。

(2)将二维DFT分解为两个一维DFT

Fourier变换的变换核(公式中和f(x,y)无关的部分)具有对称的性质(详见《图像project(上冊)图像处理》P81),因此利用对称性能够将二维DFT分解为两个一维DFT:

先对二维矩阵的每一列做一维DFT:

F(x,v)=∑y=1Nf(x,y)e−i2πvyN,v=1,2,...,N

再对变换后的矩阵的每一行做一维DFT:

F(u,v)=∑x=1NF(x,v)e−i2πuxN,u=1,2,...,N

最后以2×N×O(N2)=O(N3)的时间完毕二维傅立叶变换。

(3)用一维FFT实现二维FFT

相同的我们能够用两个一维FFT实现二维FFT,时间复杂度O(N2logN):

function [ mfft2 ] = JCGuoFFT2( data )
h = size(data, 1);
w = size(data, 2);
mfft2 = data; if power(2, log2(h)) ~= h || power(2, log2(w)) ~= w
disp('JCGuoFFT2 exit: h and w must be the power of 2!')
else
for i = 1 : h
mfft2(i, :) = IterativeFFT(mfft2(i, :));
end for j = 1 : w
mfft2(:, j) = IterativeFFT(mfft2(:, j));
end
end
end

代码非常简单,先做FFT行变换再做FFT列变换。之前忘记提到。我这里实现的都是长度必须是2的次方的Fourier变换。因此有时候会做一些长度规范检查。

(4)变换结果

经过JCGuoFFT2的二维傅立叶变换,我们能够得到复平面内各个点的复数值,那么显示在图像中须要先求出幅值:

pic1_fft = JCGuoFFT2(double(pic1));
pic1_fft_amp = abs(pic1_fft);

在对幅值做一次log变换得到较好的频域图像:

pic1_fft_amp_log = log(1 + pic1_fft_amp);

绘制结果例如以下图:

(5)低频信号移到图像中心点

因为复数运算的周期特性,图像的Fourier变换在复平面上是全然对称的。能够想象平面是由无限多个上图(右)频域图像拼接而成的二维阵列。一般研究频域图像是把低频部分,也就是变换后的边缘部分移到图像中心点。Matlab提供fftshift函数完毕平移。

平移的思路有两个

  • 通过Fourier变换平移定理先把原始图像做变换再做FFT
  • 先做FFT后再依据频域图像的对称性做对称变换

查阅Matlab文档发现它是採用另外一种方法,对图像做下面子矩阵交换:

那么我们能够非常easy的写出自己的fftshift

function [ after ] = FFTShift( before )
h = size(before, 1);
w = size(before, 2); after = before; if power(2, log2(h)) ~= h || power(2, log2(w)) ~= w
disp('FFTShift exit: h and w must be the power of 2!')
else
hh = h / 2;
hw = w / 2;
after(1 : hh, 1 : hw) = before(hh + 1 : h, hw + 1 : w);
after(1 : hh, hw + 1 : w) = before(hh + 1 : h, 1 : hw);
after(hh + 1 : h, 1 : hw) = before(1 : hh, hw + 1 : w);
after(hh + 1 : h, hw + 1 : w) = before(1 : hh, 1 : hw);
end
end

将低频部分平移到中心点后结果为:


4.图像的二维反Fourier变换

(1)一维逆DFT和一维逆FFT

一维离散傅立叶变换的逆变换是将e的指数部分变号,然后总体除以长度N(Fourier变换与逆变换关于符号、系数有非常多种组合的定义。但他们都是等价且对称的。这里的定义配合Matlab做fft实际效果。):

F(v)=1N∑x=1Nf(x)ei2πvxN,v=1,2,...,N

相同我们能够依据iDFT的定义推演iFFT的算法,其迭代版本号的Matlab实现例如以下:

function [ ifft_m ] = IterativeIFFT( vec )
clear i;
n = length(vec);
ifft_m = BitReverseCopy(vec);
for s = 1 : log2(n)
m = power(2, s);
wm = exp(2 * pi * i / m); for k = 0 : m : n - 1
w = 1;
for j = 0 : m / 2 - 1
t = w * ifft_m(k + j + m / 2 + 1);
u = ifft_m(k + j + 1);
ifft_m(k + j + 1) = u + t;
ifft_m(k + j + m / 2 + 1) = u - t;
w = w * wm;
end
end
end
ifft_m = ifft_m ./ n;
end

(2)二维逆FFT

二维逆FFT和二维FFT的思路一致。对全部行和列分别作一次iFFT就可以:

function [ mifft2 ] = JCGuoIFFT2( data )
h = size(data, 1);
w = size(data, 2);
mifft2 = data; if power(2, log2(h)) ~= h || power(2, log2(w)) ~= w
disp('JCGuoIFFT2 exit: h and w must be the power of 2!')
else
for i = 1 : h
mifft2(i, :) = IterativeIFFT(mifft2(i, :));
end for j = 1 : w
mifft2(:, j) = IterativeIFFT(mifft2(:, j));
end
end
end

(3)逆FFT结果

对之前Rect1.bmp用JCGuoFFT2变换的到的Fourier变换(非shift和log之后、非仅幅度部分)作FFT2逆变换能够直接得到原图像:

这幅图有多个结果。能够看title知道每一个结果的含义。图2-1是用JCGuoIFFT2做傅立叶反变换的结果,得到的图像和原图像、和Matlab ifft2反变换后的图像都是一致的。


5.幅频特性与相频特性

(1)对振幅和相位单独做逆FFT

假设我们仅仅把图像Fourier变换的振幅部分和相位部分单独做二维逆FFT,能够直观的感受人眼对图像幅频特性和相频特性的敏感度。

复数z=a+ib的幅度/振幅定义为:

|z|=a2+b2‾‾‾‾‾‾‾√

相位角和相位定义为:

ϕ(z)=arctanbaeiϕ(z)=eiarctanba

对相位反变换须要在乘以一个系数(我是调出来的。针对图像,肯定能够自己主动的做均衡化):

pic2_fft_angle = angle(pic2_fft);
clear i;
tmp = 10000 * exp(i * pic2_fft_angle);
pic2_ifft_angle = uint8(JCGuoIFFT2(tmp));

对振幅和相位单独做逆FFT结果例如以下:

(2)人眼敏感度

观察上图,幅频特性主要涵盖了图像颜色的分布,相频特性主要刻画了图像的边界信息。人眼对图像的相频特性更加敏感。看相频特性能够大概知道图像内容。


6.Fourier变换的旋转定理

(1)Fourier变换旋转定理

将f(x,y)旋转角度θ0。其Fourier变换F(u,v)也旋转角度θ0

(2)结果

Rect2.bmp是Rect1.bmp旋转45度的示意图(注:原Rect2.bmp是二值的。做了预处理,但其本身边界不平滑。导致效果不太好。但不影响观察旋转定理):

我们能够看到幅度FFT正变换和相位FFT你变换都是旋转了45度,可是幅度FFT逆变换差别较大。


Matlab图像处理系列4———傅立叶变换和反变换的图像的更多相关文章

  1. Matlab图像处理系列2———空间域平滑滤波器

    注:本系列来自于图像处理课程实验,用Matlab实现最主要的图像处理算法 本文章是Matlab图像处理系列的第二篇文章.介绍了空间域图像处理最主要的概念----模版和滤波器,给出了均值滤波起和中值滤波 ...

  2. Matlab图像处理系列4———图像傅立叶变换与反变换

    注:本系列来自于图像处理课程实验.用Matlab实现最主要的图像处理算法 1.Fourier变换 (1)频域增强 除了在空间域内能够加工处理图像以外.我们还能够将图像变换到其它空间后进行处理.这些方法 ...

  3. Matlab图像处理系列1———线性变换和直方图均衡

    注:本系列来自于图像处理课程实验,用Matlab实现最主要的图像处理算法 图像点处理是图像处理系列的基础,主要用于让我们熟悉Matlab图像处理的编程环境.灰度线性变换和灰度拉伸是对像素灰度值的变换操 ...

  4. 为什么要进行傅立叶变换?傅立叶变换究竟有何意义?如何用Matlab实现快速傅立叶变换

    写在最前面:本文是我阅读了多篇相关文章后对它们进行分析重组整合而得,绝大部分内容非我所原创.在此向多位原创作者致敬!!!一.傅立叶变换的由来关于傅立叶变换,无论是书本还是在网上可以很容易找到关于傅立叶 ...

  5. Matlab图像处理(01)-Matlab基础

    枫竹梦对于Matlab几乎是零基础,只是在上学的时候稍稍接触一点,万万没有想到现在还能用到Matlab.进入正题>>> 图像的基本概念 一幅图像可以被定义为一个二维函数f(x,y), ...

  6. MATLAB数字图像处理(一)基础操作和傅立叶变换

    数字图像处理是一门集计算机科学.光学.数学.物理学等多学科的综合科学.随着计算机科学的发展,数字图像处理技术取得了巨大的进展,呈现出强大的生命力,已经在多种领域取得了大量的应用,推动了社会的发展.其中 ...

  7. Win8 Metro(C#)数字图像处理--2.53图像傅立叶变换

    原文:Win8 Metro(C#)数字图像处理--2.53图像傅立叶变换  [函数名称] 1,一维FFT变换函数         Complex[] FFT(Complex[] sourceDat ...

  8. 数字图像处理-基于matlab-直方图均匀化,傅立叶变换,图像平滑,图像锐化

    直方图均匀化 任务:用MATLAB或VC或Delphi等实现图像直方图均匀化的算法. clc;clear;close all; % 清除工作台 % path(path,'..\pics'); % 设置 ...

  9. 傅立叶变换系列(五)快速傅立叶变换(FFT)

    说明: 傅里叶级数.傅里叶变换.离散傅里叶变换.短时傅里叶变换...这些理解和应用都非常难,网上的文章有两个极端:“Esay”  Or  “Boring”!如果单独看一两篇文章就弄懂傅里叶,那说明你真 ...

随机推荐

  1. 智能家居DIY

    近期智能家居比較火,将房子简单改造下,也算体验智能家居. 本文解说的是用无线的方式,长处是:不用改造现有线路,直接安装模块就可以实现想要的功能,花的钱也较少,共六百左右 =============== ...

  2. 综合第一篇文章(带钩Quora)

    watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxNDc4MzAyNw==/font/5a6L5L2T/fontsize/400/fill/I0JBQk ...

  3. JS call与apply

    JS的call与apply call和apply是JS中比较重要的两个方法, 一般在框架和组件设计中用的较多,比如jQuery Code. 那么这两个方法是做什么的呢,下面我们通过代码来了解: 1 f ...

  4. poj1276--Cash Machine(多背包被判刑了)

    Cash Machine Time Limit: 1000MS   Memory Limit: 10000K Total Submissions: 27804   Accepted: 9915 Des ...

  5. Visual Studio中开发

    如何在Visual Studio中开发自己的代码生成器插件    Visual Studio是美国微软公司开发的一个基本完整的开发工具集,它包括了整个软件生命周期中所需要的大部分工具,如UML工具.代 ...

  6. Socket编程实践(4) --更复杂的过程server

    1.Socket地址复用 int getsockopt(int sockfd, int level, int optname, void *optval, socklen_t *optlen); in ...

  7. StackExchange.Redis 使用-同步 异步 即发即弃 (三)

    访问单个服务器 有时候需要为单个服务器指定特定的命令 . IServer server = redis.GetServer("localhost", 6379); GetServe ...

  8. Android开发学习总结(六)—— APK反编译(转)

    学习和开发Android应用有一段时间了,今天写一篇博客总结一下Android的apk文件反编译.我们知道,Android应用开发完成之后,我们最终都会将应用打包成一个apk文件,然后让用户通过手机或 ...

  9. Binomial Coeffcients 过去山东省省赛冠军

    Binomial Coeffcients Time Limit: 1000MS Memory limit: 65536K 题目描写叙述   输入   输出   演示样例输入 3 1 1 10 2 95 ...

  10. Javascript入门视频教程

    1,第一节 http://pan.baidu.com/play/video#video/path=%2F%E6%95%99%E5%AD%A61.mov&t=-1 2,第二节 http://pa ...