[数字图像处理]频域滤波(1)--基础与低通滤波器

最新推荐文章于 2024-09-27 13:39:28 发布
置顶 最新推荐文章于 2024-09-27 13:39:28 发布
阅读量5.1w 收藏 200
点赞数 32
分类专栏： 数字图像处理 数字信号处理基础学习 文章标签： 图像处理 MATLAB 频域滤波 低通滤波器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhoufan900428/article/details/17194289
版权

       之前的博文主要介绍了空间域内的滤波器，本文主要从频域的角度进行分析。主要使用傅里叶变换，将空间域的图像转换到频域内，在频域内进行数字图像处理。这部分的内容及其重要，频域内的处理可以解决空间域内无法完成的图像增强。本文首先从数学角度，对图像的频域内的性质进行分析，然后在着重介绍滤波器在频域内的性质。

        1.傅里叶变换与频域

        在之前的文中，我们已经进行过一些基本的图像处理。比如，使用低通滤波可以将图像模糊，也有些许降噪的作用。这些都是在空间域内进行的滤波处理，这个处理主要是依靠卷积来进行计算的。首先，从连续的一维卷积入手，如下所示。


       将上式进行傅里叶变换，可以得到如下结果。


        从这个式子，我们可以得到一个重要的结论。也就是，函数与卷积的傅里叶变换所得到的结果，是函数与的傅里叶变换与的乘积。再将其总结得简单易懂一些，有如下结论。


        在将其扩展到二维的形况下，假设尺寸为MxN的图像，如下关系是成立的。


       其实到这，基本的原理就明了的。我们所看到的图像，均为空间域内的表现形式，我们无法辨识出频域内的图像。要进行频域内的滤波器处理，首先就需要进行傅里叶变换，然后直接进行滤波处理，最后再用反傅里叶变换倒回到空间域内。

       到此，已经可以开始空间域内的滤波处理了。但是，还有一点需要注意的地方。使用某个一维信号来举例子，一维信号的傅里叶变换是以2π为周期的函数。所以，我们常常使用的范围[-π,π]来表示这个信号的傅里叶变换，如下所示。


        这样做的好处是，靠近0的成分就是低频，靠近-π与π的成分就表示高频。而对于图像而言，在Matlab中，我们使用fft2()这个函数来求取图像的傅里叶变换。

g = fft2(f);
        上面这个代码求取的，其实是 范围[0,π]内的傅里叶变换。为了方便理解，下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围（左）。


       很显然，这并不是希望的范围，下面这个代码可以求取[0,2π]内的傅里叶变换。

P = 2*M;
Q = 2*N;
F = fft2(f,P,Q);
       下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围 （左） 。所得到的图像F(u,v)的尺寸为PxQ。


         我们需要对其移动一下，如下图所示，我们需要的是粉色范围的区域。


下面，从数学上分析一下，如何获得这个部分的频谱。对于傅里叶变换，有如下性质。


这个特性称为平移特性，粉色部分的频谱，将带入上式，我们可以得到如下式子。


为次，我们已经得到了粉色范围的频谱。越靠近傅里叶频谱图像中间的成分，代表了低频成分。其Matlab代码如下所示。

[M,N] = size(f);
P = 2*M;
Q = 2*N;
fc = zeros(M,N);

for x = 1:1:M
    for y = 1:1:N
        fc(x,y) = f(x,y) * (-1)^(x+y);
    end
end

F = fft2(fc,P,Q);

        代码所得到的结果，如下图所示。


        接下来，我们总结一下频域滤波的步骤：

        ①：先将图像做频域内的水平移动，然后求原图像f(x,y)的DFT，得到其图像的傅里叶谱F(u,v)。


        ②：与频域滤波器做乘积，

        ③：求取G(u,v)的IDFT，然后再将图像做频域内的水平移动（移动回去），其结果可能存在寄生的虚数，此时忽略即可。


        ④：这里使用ifft2函数进行IDFT变换，得到的图像的尺寸为PxQ。切取左上角的MxN的图像，就能得到结果了。

        2.低通滤波器

        2.1理想的低通滤波器

       其中，D0表示通带的半径。D(u,v)的计算方式也就是两点间的距离，很简单就能得到。

       使用低通滤波器所得到的结果如下所示。低通滤波器滤除了高频成分，所以使得图像模糊。由于理想低通滤波器的过度特性过于急峻，所以会产生了振铃现象。


         

        2.2巴特沃斯低通滤波器

       同样的，D0表示通带的半径，n表示的是巴特沃斯滤波器的次数。随着次数的增加，振铃现象会越来越明显。

   

       2.3高斯低通滤波器
       D0表示通带的半径。高斯滤波器的过度特性非常平坦，因此是不会产生振铃现象的。

       3.实现代码

close all;
clear all;

%% ---------Ideal Lowpass Filters (Fre. Domain)------------
f = imread('characters_test_pattern.tif');
f = mat2gray(f,[0 255]);

[M,N] = size(f);
P = 2*M;
Q = 2*N;
fc = zeros(M,N);

for x = 1:1:M
    for y = 1:1:N
        fc(x,y) = f(x,y) * (-1)^(x+y);
    end
end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);
H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1
     for y = (-Q/2):1:(Q/2)-1
        D = (x^2 + y^2)^(0.5);
        if(D <= 60)  H_1(x+(P/2)+1,y+(Q/2)+1) = 1; end    
        if(D <= 160)  H_2(x+(P/2)+1,y+(Q/2)+1) = 1; end
     end
end

G_1 = H_1 .* F;
G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));
g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));
g_2 = g_2(1:1:M,1:1:N);         

for x = 1:1:M
    for y = 1:1:N
        g_1(x,y) = g_1(x,y) * (-1)^(x+y);
        g_2(x,y) = g_2(x,y) * (-1)^(x+y);
    end
end

%% -----show-------
figure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original Image');

subplot(1,2,2);
imshow(log(1 + abs(F)),[ ]);
xlabel('b).Fourier spectrum of a');

figure();
subplot(1,2,1);
imshow(H_1,[0 1]);
xlabel('c).Ideal Lowpass filter(D=60)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_1)),[ ]);
xlabel('d).Result of filtering using c');

subplot(1,2,2);
imshow(g_1,[0 1]);
xlabel('e).Result image');

figure();
subplot(1,2,1);
imshow(H_2,[0 1]);
xlabel('f).Ideal Lowpass filter(D=160)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_2)),[ ]);
xlabel('g).Result of filtering using e');

subplot(1,2,2);
imshow(g_2,[0 1]);
xlabel('h).Result image');
close all;
clear all;

%% ---------Butterworth Lowpass Filters (Fre. Domain)------------
f = imread('characters_test_pattern.tif');
f = mat2gray(f,[0 255]);

[M,N] = size(f);
P = 2*M;
Q = 2*N;
fc = zeros(M,N);

for x = 1:1:M
    for y = 1:1:N
        fc(x,y) = f(x,y) * (-1)^(x+y);
    end
end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);
H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1
     for y = (-Q/2):1:(Q/2)-1
        D = (x^2 + y^2)^(0.5);
        D_0 = 100;
        H_1(x+(P/2)+1,y+(Q/2)+1) = 1/(1+(D/D_0)^2);   
        H_2(x+(P/2)+1,y+(Q/2)+1) = 1/(1+(D/D_0)^6);
     end
end


G_1 = H_1 .* F;
G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));
g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));
g_2 = g_2(1:1:M,1:1:N);         

for x = 1:1:M
    for y = 1:1:N
        g_1(x,y) = g_1(x,y) * (-1)^(x+y);
        g_2(x,y) = g_2(x,y) * (-1)^(x+y);
    end
end

%% -----show-------
figure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original Image');

subplot(1,2,2);
imshow(log(1 + abs(F)),[ ]);
xlabel('b).Fourier spectrum of a');

figure();
subplot(1,2,1);
imshow(H_1,[0 1]);
xlabel('c)Butterworth Lowpass (D_{0}=100,n=1)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_1)),[ ]);
xlabel('d).Result of filtering using c');

subplot(1,2,2);
imshow(g_1,[0 1]);
xlabel('e).Result image');

figure();
subplot(1,2,1);
imshow(H_2,[0 1]);
xlabel('f).Butterworth Lowpass (D_{0}=100,n=3)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_2)),[ ]);
xlabel('g).Result of filtering using e');

subplot(1,2,2);
imshow(g_2,[0 1]);
xlabel('h).Result image');
close all;
clear all;
clc;
%% ---------Gaussian Lowpass Filters (Fre. Domain)------------
f = imread('characters_test_pattern.tif');
f = mat2gray(f,[0 255]);

[M,N] = size(f);
P = 2*M;
Q = 2*N;
fc = zeros(M,N);

for x = 1:1:M
    for y = 1:1:N
        fc(x,y) = f(x,y) * (-1)^(x+y);
    end
end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);
H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1
     for y = (-Q/2):1:(Q/2)-1
        D = (x^2 + y^2)^(0.5);
        D_0 = 60;
        H_1(x+(P/2)+1,y+(Q/2)+1) = exp(-(D*D)/(2*D_0*D_0));   
        D_0 = 160;
        H_2(x+(P/2)+1,y+(Q/2)+1) = exp(-(D*D)/(2*D_0*D_0));
     end
end

G_1 = H_1 .* F;
G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));
g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));
g_2 = g_2(1:1:M,1:1:N);         

for x = 1:1:M
    for y = 1:1:N
        g_1(x,y) = g_1(x,y) * (-1)^(x+y);
        g_2(x,y) = g_2(x,y) * (-1)^(x+y);
    end
end


%% -----show-------
close all;

figure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original Image');

subplot(1,2,2);
imshow(log(1 + abs(F)),[ ]);
xlabel('b).Fourier spectrum of a');

figure();
subplot(1,2,1);
imshow(H_1,[0 1]);
xlabel('c)Gaussian Lowpass (D_{0}=60)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_1)),[ ]);
xlabel('d).Result of filtering using c');

subplot(1,2,2);
imshow(g_1,[0 1]);
xlabel('e).Result image');

figure();
subplot(1,2,1);
imshow(H_2,[0 1]);
xlabel('f).Gaussian Lowpass (D_{0}=160)');

subplot(1,2,2);
h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));
set(h,'EdgeColor','k');
axis([0 P 0 Q 0 1]);
xlabel('u');ylabel('v');
zlabel('|H(u,v)|');

figure();
subplot(1,2,1);
imshow(log(1 + abs(G_2)),[ ]);
xlabel('g).Result of filtering using e');

subplot(1,2,2);
imshow(g_2,[0 1]);
xlabel('h).Result image');

      原文发于博客：http://blog.csdn.net/thnh169/ 

zhoufan900428
关注
专栏目录
频域低通滤波
SilverCv的博客
08-31 3327
从信号频谱角度来看，低频部分是信号缓慢变换的频率域，而信号的迅速变化部分所在的频率域属于高频。对图像来说，信号以及噪声的频率都处于高频部分。若要减弱噪声，需要减弱高频分量，可以采用低通滤波。 在频率域，低通滤波的输出表达式为： G(u,v)=H(u,v)F(u,v) G(u,v) = H(u,v)F(u,v) G(u,v)=H(u,v)F(u,v) 其中F(u,v)F(u,v)F(u,v)是含噪声图像得分傅里叶变换；H(u,v)H(u,v)H(u,v)是线性低通滤波器传递函数；G(u,v)G(u,v)G(u
频域低通滤波器
01-19
支持非基2的快速傅里叶变换，基于CImage类，可以对很多格式的图片进行处理。
数字图像处理与计算机视觉（1）：数字图像处理介绍、图像采样与量化、色度学基础与颜色模型
最新发布
ikeke_zhang的博客
09-27 1182
1、图像分为模拟图像和数字图像两大类。模拟图像中图像信息是以连续形式存储和表现的，以数字格式存储图像数据， 这种图像称为数字图像。2、数字图像处理的特点：1）处理精度高， 再现性好；2） 易于控制处理效果；3） 处理的多样性4） 图像数据量庞大3、数字图像处理的主要内容：1. 图像获取、 表示和表现2. 图像复原3. 图像增强4. 图像分割5图像重建（从数据到图像）4、二值图像的3种不同的显示方式：5、像素邻域。
OpenCV 笔记(34)：频域低通滤波——理想低通滤波器
Java与Android技术栈
06-25 1218
1. 频域低通滤波1.1 频域滤波频域滤波器是一种通过对图像进行傅里叶变换，然后在频域上选择性地滤除或增强某些频率成分来实现图像滤波的方法。频域滤波和空域滤波都有各自的优缺点和使用场景：特性频域滤波空域滤波原理基于频谱进行操作基于像素进行操作实现计算量较大计算量较小滤波效果灵活可控较简单应用去周期性噪声、增强细节、图像配准去随机噪声、平滑图像、锐化图像频域滤波器的基本步骤如下：对图像进行傅里叶变...
VTK：频域处理——低通滤波（理想+巴特沃斯）
m0_45306991的博客
05-06 2724
1.低通滤波器 低通滤波是将频域图像中的高频部分滤除而通过低频部分。图像的边缘和噪声对应于频域图像中的高频部分，而低频滤波的作用即是减弱这部分作用，从而达到图像平滑去噪的目的。 2.理想低通滤波器 最简单的低通滤波器是理想的滤波器，基本思想是给定一个频率阈值，将高于该与值的所有部分设置为0，而低于该频率的值保持不变。 理想是指滤波器不能用电子元器件来实现，但是可以通过计算来模拟。 在VTK中定义了理想低通滤波器， 步骤： ①、首先读入一副jpg图片，通过vtkImageFFT将图像转换到频域空间。vtkIm
傅里叶变换的低通滤波程序
06-09
适用于于γ能谱的本底扣除，同时适用于其它低通情形。
【数字图像处理与应用】利用一阶Butterworth低通滤波器进行频域滤波
07-20
1. 给定图像 'barb.png', 利用一阶Butterworth低通滤波器进行频域滤波, 当 $D_0=10,20,40,80$ 时, 给出相应滤波图像, 并分别以频域和空域的观点解释有关 滤波结果。 提示: (1) 以 $(-1)^{x+y}$ 乘以输入图像进行中心...
matlab频域低通滤波代码-SpectralFiltering:数字图像的频域滤波
05-22
代码，分别利用理想低通滤波器（ILPF）和理想高通滤波器（IHPF）对其进行频域滤波处理。具体可参考如下步骤： (1) 消除折叠现象的填充：P=2M，Q=2N，其中 M、N 为原图像的尺寸； (2) 原图f(y, x)的傅立叶变换，产生F...
【数字图像处理】频域滤波，理想低通滤波器，高斯滤波器，巴特沃斯滤波器
12-30
综上所述，数字图像处理中的频域滤波技术，尤其是理想低通滤波器、高斯滤波器和巴特沃斯滤波器，是理解和优化图像质量的关键。通过对这些滤波器的理解和应用，我们可以更好地处理图像的噪声、增强细节或者进行特定的...
数字图像处理｜Matlab-频域增强实验-彩色图像的频域滤波器-用高斯低通滤波器对彩色图像进行滤波操作
12-15
问题1：采用高斯低通滤波器对彩色图像进行滤波操作, 取半径为5, 20, 50, 80和250, 分别输出空域和频域的结果图像。 问题2：自行选择一种频域的高通滤波器对彩色图像进行滤波操作, 取3组不同的参数进行实验，...
python实现图像的频域滤波_数字图像处理-频域滤波-高通/低通滤波
weixin_42514777的博客
12-29 2773
频域滤波频域滤波是在频率域对图像做处理的一种方法。步骤如下： 滤波器大小和频谱大小相同，相乘即可得到新的频谱。滤波后结果显示，低通滤波去掉了高频信息，即细节信息，留下的低频信息代表了概貌。常用的例子，比如美图秀秀的磨皮，去掉了脸部细节信息(痘坑，痘印，暗斑等)。高通滤波则相反。高通/低通滤波1.理想的高/低通滤波顾名思义，高通滤波器为：让高频信息通过，过滤低频信息；低通滤波相反。理想的低通滤波器模...
基于python的频域滤波（主要设计频域滤波器）（有丰富的图片）
05-29
1.基于python的频域滤波，使用OpenCV等 2.主要设计频域滤波器 3.有丰富的图片
VTK修炼之道41：频域处理_低通滤波（理想+巴特沃兹）
沈春旭的博客
01-29 2580
1.低通滤波器 低通滤波是将频域图像中的高频部分滤除而通过低频部分。图像的边缘和噪声对应于频域图像中的高频部分，而低通滤波的作用即是减弱这部分的能量，从而达到图像平滑去噪的目的。 2.理想低通滤波器 最简单的低通滤波器是理想低通滤波器，基本思想是给定一个频率阈值，将高于该阈值的所有部分设置为0，而低于该频率的部分保持不变。 理想是指该滤波器不能用电子元器件来实现，但
第五章：频域滤波
m0_64357419的博客
05-08 2428
频域滤波器的设计：例如给出一个图像和要求，要求设计一种滤波器来实现指定的滤波效果，考生需要根据题目要求选择适当的滤波器类型和参数，给出设计方法和代码实现，并分析滤波器的性能和局限性。频域滤波器的应用：例如给出一个图像和要求，要求对图像进行滤波，考生需要根据图像的特性和滤波效果的要求选择适当的滤波器，给出滤波方法和代码实现，并分析滤波效果和局限性。总之，理解频域滤波的基本思想和常用方法，熟悉频域滤波器的设计和应用，以及掌握快速傅里叶变换、非线性频域滤波和多分辨率分析等知识，是进行数字图像处理的重要基础。
matlab实现图像频域处理（低通滤波、高通滤波、同态滤波）
热门推荐
anxinbuxinan的博客
06-14 1万+
频域滤波是一种图像处理技术，可以通过在频域中增加或减弱某些频率分量，从而实现图像去噪、锐化、平滑等功能。常见的频域滤波包括频域低通滤波、频域高通滤波和频域同态滤波。在使用这些滤波器进行频域处理时，通常需要选择合适的参数、预处理和后处理方法，以达到理想的处理效果。同时，不同的图像场景和需求也需要选择适合的滤波器和处理方法。
频域滤波
weixin_46515047的博客
11-20 739
基于一篇综述《光照不均图像增强方法综述》，列出文章提到的四大类方法：直方图均衡、同态滤波、retinex增强、梯度域增强。
问题三十三：傅立叶变换——低通滤波
qq_42662568的博客
03-01 1046
问题三十三：傅立叶变换——低通滤波
评论 22
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值