【图像处理】频域中的傅里叶变换和滤波（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

傅里叶变换

滤波

实现步骤

应用实例

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

傅里叶变换是一种将信号（包括图像）从时域转换到频域的数学工具。在图像处理中，傅里叶变换可以将图像表示为其频率分量的叠加。傅里叶变换将图像从空间域（像素值的分布）转换为频率域（不同频率的成分）。这使得我们能够分析图像中不同频率的特征，如纹理、边缘等。

频域中的傅里叶变换和滤波是图像处理与分析中的重要工具，它们在信号处理、图像增强、去噪、特征提取等多个领域有着广泛的应用。下面是对这一主题的基本概念、应用及过程的简要介绍：

傅里叶变换

1. 基本概念：傅里叶变换是一种将时域（或空域）信号转换为频域表示的方法。对于图像而言，时域信号指的是图像的像素空间分布，而频域表示则揭示了图像中不同频率成分的强度分布。高频成分对应于图像中的快速变化区域（如边缘和细节），低频成分则对应于较平滑的区域。

2. 数学表述：离散傅里叶变换（DFT）可以将一个有限长度的离散序列转换为其频率谱表示，其公式为：

   𝑋[𝑘]=∑𝑛=0𝑁−1𝑥[𝑛]⋅𝑒−𝑗2𝜋𝑘𝑛/𝑁X[k]=n=0∑N−1​x[n]⋅e−j2πkn/N

   其中，𝑥[𝑛]x[n] 是原始序列（在图像处理中为像素值序列），𝑋[𝑘]X[k] 是变换后的频域表示，𝑁N 是序列长度，𝑘k 是频率索引。

3. 

4. 逆傅里叶变换：可以通过逆傅里叶变换将频域信号还原回时域信号，这对于处理后将修改过的频域信号转换回图像至关重要。

滤波

1. 低通滤波：在频域中，低通滤波器会保留图像的低频分量，去除高频分量，从而实现图像的平滑和去噪。这有助于减少图像中的尖锐变化，比如噪声点或细节，但同时可能模糊边缘和细节信息。

2. 高通滤波：相反，高通滤波器会保留图像的高频分量，去除低频分量，强调图像中的边缘、纹理等细节信息，常用于边缘检测和特征增强。但过度使用可能导致图像失真和结构信息的损失。

3. 带通/带阻滤波：这些滤波器允许特定频率范围通过（带通）或阻止特定频率范围（带阻），用于更精细的频率选择性处理。

实现步骤

1. 傅里叶变换：首先对图像进行二维离散傅里叶变换（DFT），将其从空间域转换到频率域。

2. 设计滤波器：根据需求设计相应的滤波器核（一个在频域中定义的矩阵），这个核决定哪些频率成分被保留或抑制。

3. 应用滤波器：在频域图像上乘以设计好的滤波器核，实现所需的频率调整。

4. 逆傅里叶变换：将经过滤波处理的频域图像通过二维逆离散傅里叶变换（IDFT）转换回空间域，得到处理后的图像。

应用实例

• 图像去噪：使用低通滤波器平滑图像，减少随机噪声。
• 边缘检测：应用高通滤波器突出图像中的边缘和细节。
• 图像锐化：结合原图和高通滤波后的图像，增强图像细节。
• 特征提取：特定的带通滤波可用于提取图像中的周期性结构或纹理特征。

总之，傅里叶变换和滤波技术为图像处理提供了强大的分析和改进手段，是图像处理研究和应用中不可或缺的一部分。

📚2 运行结果

主函数部分代码：

clc; clear;
%% Read the original image
fig_original = double(imread('data/characters_test_pattern.tif')) / 255;
imwrite(fig_original, 'data/characters_test_pattern.png');

%% Discrete Fourier Transformation
F = fft2(fig_original, size(fig_original, 1) * 2, size(fig_original, 2) * 2);

%% Ideal Lowpass Filter
% The original image
figure('Name', 'Ideal Lowpass Filter');
subplot(2, 3, 1);
imshow(fig_original, [])
title('original image');
% ILPF with cutoff frequency set at radii value 10
ideal_lowpass_10 = real(ifft2(ideal_lowpass_filter(size(fig_original, 1), size(fig_original, 2), 10) .* F));
ideal_lowpass_10 = ideal_lowpass_10(1:size(fig_original, 1), 1:size(fig_original, 2));
subplot(2, 3, 2);
imshow(ideal_lowpass_10, [])
title('cutoff frequency: 10');
imwrite(ideal_lowpass_10, 'data/ILPF_10.png');
% ILPF with cutoff frequency set at radii value 30
ideal_lowpass_30 = real(ifft2(ideal_lowpass_filter(size(fig_original, 1), size(fig_original, 2), 30) .* F));
ideal_lowpass_30 = ideal_lowpass_30(1:size(fig_original, 1), 1:size(fig_original, 2));
subplot(2, 3, 3);
imshow(ideal_lowpass_30, [])

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]王非凡,陈希爱,任卫红等.基于图像自适应增强的低照度目标检测算法[J/OL].计算机工程:1-13[2024-03-11].https://doi.org/10.19678/j.issn.1000-3428.0068407.

🌈4 Matlab代码实现