OpenCV图像的傅里叶变换-（补番）

前两天刚刚写完OpenCV中关于图像的离散傅里叶变换的代码，旨在解释了代码中出现的诸多困难。而忽视了傅里叶本身的原理部分

实在是罪过。

关于傅里叶变换，网上有一个大名鼎鼎的看了还不懂就来掐死我的文章

链接如下：http://daily.zhihu.com/story/3935067博主可谓是呕心沥血，用了许多生动形象的图

但是我更关心的是数字图像的傅里叶变换原理，以及为什么最后会形成那样的频谱图

主要参考博客：

参考博客1: http://blog.csdn.net/abcjennifer/article/details/7622228

参考博客2: http://blog.csdn.net/u010757264/article/details/49869145

参考博客3: http://www.cnblogs.com/xh6300/p/5956503.html

这是一个英文文档链接:http://cns-alumni.bu.edu/~slehar/fourier/fourier.html

冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样, 傅立叶变换使我们能通过频率成分来分析一个函数。

Fourier theory讲的就是：任何信号（如图像信号）都可以表示成一系列正弦信号的叠加，在图像领域就是将图像brightness variation 作为正弦变量。比如下图的正弦模式可在单傅里叶中由三个分量编码：频率f、幅值A、相位γ 这三个value可以描述正弦图像中的所有信息。

1.frequency

frequency在空间域上可由亮度调节，例如左图的frequency比右图的frequency低……


2.幅值magnitude（amplitude）
sin函数的幅值用于描述对比度，或者说是图像中最明和最暗的峰值之间的差。（一个负幅值表示一个对比逆转，即明暗交换。）

3.相位表示相对于原始波形，这个波形的偏移量（左or右）。

一维的傅里叶变换简单的说就是将时域信号变换为多个正余弦函数的叠加，信号分解如下图所示。

时域信号表示为多个正余弦信号的叠加，上图从频率方向看，可得到下图。

其中，横坐标代表频率w，纵坐标代表幅值A，即Asin（wt+θ），θ通过复数的实部和虚部计算得到。一个频率点就代表了信号的一个分量。

上面讲的都是一维信号，一个二维傅里叶变换是一维傅里叶变换在每一个行扫描线和列扫描线上的傅里叶变换的叠加。

图像经傅立叶变换后，往往得到的是复数形式。要直接表示结果就必须用到两幅图像：一幅表示实部，一幅表示虚部。这样表示十分不方便，同时也没有得到有用的信息，因此引入变换结果的模作为值在频谱图中表示出来，以灰度的明暗代表模的大小。

    作为典型的二维信号，图像的频率相应地也是二维的。其分别对应着图像的像素值在两个相互垂直的方向上变化的情况（如图3.2.1）。根据对一维离散信号频谱的分析结果可知，频谱在三点处的频率分别为为图像信号的最高截止频率。将其推广到二维，则在图像频谱图中所有沿方向的频率值变化情况与一维相同，也有。同理，在方向上也有相同的结果。因此，在频谱图四角处沿和方向的频率分量均为0，在频谱图中心点处沿和方向的频率分量均为最大值。

由于图像中的大部分能量集中在低频分量上，因此频谱图中四角部分的幅度值较大。然而，在实际的图像频谱分析过程中，由于低频分两区域较小，并且分散在四角，因此不利于对其进行分析。此时，可以根据图像频谱的周期性和共轭对称性对频谱图坐标进行移位，将所有低频分量集中在频谱图中心，同时高频分量分散在四周。

在具体实现频谱的移位过程中，将图3.2.1中的区域A和区域D对换位置，将区域B和区域C对换位置即可。进行移位之后大大增加了图像频谱的可读性，如图3.2.2所以。

图像傅立叶变换的物理意义

傅里叶提出任何周期函数都可以表示为不同频率的正弦和/或余弦和的形式，每个正弦和/或余弦乘以不同的系数（傅里叶级数）。图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度.在噪声点和图像边缘处的频率为高频。

傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数.

傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度？因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰.

这里注明一句， 很多人看到这一句很不理解（包括我）一般来讲，梯度大则该点的亮度强，否则该点亮度弱。我觉得这里说的不是傅里叶频谱中的亮暗，单单是指源图像中的亮暗，要不然实在是说不过去。

将原图乘以，再得到频谱（或者直接位移频谱图），中心处表示原图中低频成分，亮则表示图像中含低频成分多，类似于一维傅里叶变换中的频谱的幅值高；暗则相反。从中心处越往外，表示频率越高，然后明暗继续表示原图中含有该高频成分的多少。上述中频率代表灰度变化的快慢。

其实图像的频谱可以理解为将一维的频谱绕着纵轴旋转一圈，形成一个3维的数学函数图（原图中心对称、镜像对称才可

以这样干，其他类似），x、y轴代表两个方向的频率，z轴代表该频率的幅值，只不过频谱图像是一个2维图，所以用亮度来表示幅

值了。

傅里叶谱图中心亮度程度表明了图像的灰度均值，中心亮度大，表明灰度均值高，直观上表现出图像比较明亮，反之，图像较暗。

像与频率直接的关系，低频代表图像轮廓，高频代表了图像噪声，中频代表图像边缘、纹理等细节。

傅里叶谱图的频率成分越多，表明图像变化的程度需要更多的频率来表征，图像也就变化越剧烈。

3.3频谱图的垂直现象及单条直直线段垂直现象

    对图像进行傅立叶变换后所得到的移位后的频谱图往往会在垂直方向和水平方向上出现两条“亮线”(如图3.2.2)，这个现象常常困扰初学者，为什么会出现这两条亮线，什么时候会出现这两条亮线？要很完整的回答这些问题很不容易，因为输入图像可以有很多种，但产生的频谱图大多都有这两条亮线。因此应该选取一些特殊的图像进行研究，接下来就选取：单条直线段，fringe patterns图像进行讨论。如图上方的为原图，下方为傅立叶变换并后未移位的频谱图：

二维的傅立叶变换可以通过两次一维傅立叶变换得到。因此对图像进行傅立叶变换可以先对行（水平方向）进行一维的傅立叶变换，得出的结果再对列（垂直方向）进行一维的傅立叶变换。这样就是使得图像的傅立叶变换实际上把频率分成水平分量和垂直分量，即分量和分量。用这个思想再去分析图3.3b可知：图3.3b是一幅只包括单条水平线的简单图像，显然它只在垂直方向上有灰度跳变（垂直方向是梯度的方向），所以从它的频谱图中只能看到垂直分量。这样就能很好的解释变换前后所出现的垂直现象。

图3.3(a)是fringe patterns^[3] sin(x+y)的图像，可以看到图像变换后的频谱图中出现两个点，这两点分别与原点及(N-1,N-1)的连线是沿着u = v的方向^[4]。而原图像在x+y = b (b为0到2N-2的正整数)的灰度值是相等的，这与u = v方向正好是垂直的。图(b)中的垂直现象就更明显了，原图为一水平线，变换后的频谱图中在v = 0上出现一条亮线，这与原图的方向正好垂直。图(c)为直线段x + y = N-1，变换后的频谱图为直线段u = v，同样出现了垂直现象。

文中还给出了详细的公式推导以及物理解释（请自行看文章）

由前面的结论可知，频谱图中的水平亮线是由原图中背景的垂直条纹产生，而垂直亮线则主要是由原图中的镜框及一些灰度规律变化的水平线产生的。

傅里叶变换的另一大性质

接下来的一篇文章讲到基于傅里叶变换以及霍夫直线检测的文本校正，为什么文本图像的傅里叶变换可以进行

图像的旋转角度测量，大致原理就在这里

文中许多地方也写的不是很透彻，此番永久不断更新，只是时间问题，哈哈哈！

相关资料打包下载地址：http://download.csdn.net/download/qq_37059483/9981620