图像的频域理解以及频域处理

一般我们见到的简单的图像处理都是空间域的处理。即图像是一个二维图像，每个点都有对应的坐标。
图像的频域理解起来并不是那么简单，因此我在这里说一下个人理解，希望帮助到需要帮助的人。本篇博文使用Halcon软件的示例以及图像进行展示。

首先需要说明的几点知识：
1.如果需要看频谱图是要进行傅里叶变换的，图像的傅里叶变换其实是将图像的灰度分布函数变换为图像的频率分布函数。
2.图像的频域中的高频分量对应图像的细节信息，图像低频分量对应图像的轮廓信息。高频分量代表的是信号的突变部分（即灰度值梯度大），而低频分量决定信号的整体形象（即梯度小）。
3.在频谱图中，可以看到亮度不同的点，这些点中亮度大就证明该点的梯度大（即高频分量），亮度小证明该点的梯度小（即低频分量）。
4.频谱图中中心部分代表高频分量，四周代表低频分量，尤其是四个顶点。

然后根据图像进行简单解释。

原图

然后进行傅里叶变换

rft_generic (Image, ImageFFT, 'to_freq', 'none', 'complex', Width)

傅里叶变换之后的频谱图

原图特征一致，图像梯度很小，则低频分量较多，高频分量较少。体现在频谱图中就是顶点部分更亮。而肉眼可以明显的看到图像中有一部分凸起，这部分的梯度就变大了，在频谱图中该部分就偏亮些。

然后可以对图像进行滤波

convol_fft (ImageFFT, Filter, ImageConvol)
rft_generic (ImageConvol, ImageFiltered, 'from_freq', 'n', 'real', Width)

滤波之后的图像

这样就可以将中间部分的凸起检测出来了。


有的图像在空间域中进行处理会很困难，例如该例中的检测缺陷。但是放到频域中就可以很简单的进行检测，比如我们看到的经过滤波之后的图像，待检测点部分的特征明显去其他地方不同。

作者：GL3_24
来源：CSDN
著作权归作者所有。转载请联系作者获得授权并注明出处。