详解DFT与DCT的联系与差别

⒈顆糖果!

已于 2022-03-31 17:03:33 修改

阅读量8.4k

点赞数 13

文章标签：图像处理 matlab

于 2022-03-31 17:03:18 首次发布

本文链接：https://blog.csdn.net/Tangguoseo/article/details/123865825

版权

一、DFT原理及其Matlab实现

（一）1D-DFT

（二）2D-DFT

（三）1D-DFT和2D-DFT的频谱特点以及中心化思想

1. 1D-DFT的频谱特点

2. 2D-DFT的频谱特点

3. 在matlab中计算并可视化二维DFT

一、DFT原理及其Matlab实现

（一）1D-DFT

先来看看1D-DFT，假如我们有长度为N的信号 $x(n)$ ，对其做DFT，得到

$X(k)=\sum_{n=0}^{N-1}x[n]e^{-j2\pi \frac{nk}{N}}=\sum_{n=0}^{N-1}x[n]\left ( cos(\frac{2\pi kn}{N})-jsin(\frac{2\pi kn}{N}) \right )$

将DFT的实部和虚部拆出来：

$Re(X(k))=\sum_{n=0}^{N-1}x[n]cos(\frac{2\pi kn}{N})$

$Im(X(k))=\sum_{n=0}^{N-1}x[n]sin(\frac{2\pi kn}{N})$

当 $x(n)$ 是实函数时，DFT的实部是偶函数，虚部是奇函数。

当 $x(n)$ 是实偶函数时，DFT的虚部就变成0了，结合图1进行理解。

图1

所以，当时域信号是实偶信号时，我们就可以把DFT写成：

$X(k)=\sum_{n=0}^{N-1}x[n]e^{-j2\pi \frac{nk}{N}}=\sum_{n=0}^{N-1}x[n]cos(\frac{2\pi kn}{N})$

其中， $k=0, 1, 2, \cdots ,N-1$

对于信号值全为正数的信号，其DFT在低频时能量最高，这里的能量并非物理意义上的能量，可以理解为某个频域处的信号对原始信号贡献的信息量最大。同时，显而易见，一维信号的N个频点上近似包含两个低频点，分别为k=0和k=N-1，包含一个高频点，对应k=N/2。

（二）2D-DFT

这里要提醒大家的是MN项可以放在DFT正变换的前面，也可以放在DFT逆变换的前面，但是为了与Matlab中的实现形式一致，我们将该项放置在逆变换公司前面。而且matlab中的数组索引是以1开始，MATLAB中的F(1,1)和f(1,1)就对应正变换和逆变换中的数学量F(0,0)和f(0,0)。

DFT在u方向和v方向上都是周期无穷的，周期由M和N决定。周期性也是DFT逆变换的一个重要属性，傅里叶逆变换得到的图像也是周期无穷的。

（三）1D-DFT和2D-DFT的频谱特点以及中心化思想

1. 1D-DFT的频谱特点

在数学域，[-Π，Π]表示一个完整的周期，但是在计算机中，[0,2Π]表示一个完整的周期，因为DFT本身的周期性，我们在[0,2Π]上真能观察到两个紧邻的半周期，无法观察到一个完整的周期，如果我们想在[0,2Π]看见完整且正确排序的周期，就需要对信号进行高低频转换，即令： $f[n]=x[n]cos[\pi n]=(-1)^{n}x[n]$ ，然后对 $f[n]$ 做DFT变换，转换前后频域变化的示意图如下：

2. 2D-DFT的频谱特点

与1D-DFT同理，2D-DFT频谱图中就是四个紧邻的没有按顺序排列的四分之一周期，为了简化频谱的视觉分析，我们在2D-DFT之前将 $f(x,y)$ 乘以 $(-1)^{x+y}$ 。

更直观的理解在这里，将1，3象限对调，2，4象限对调，就可以在得到一个完整且按顺序排列的频谱图。前面说过，1D-DFT有两个低频点(两端），那么对应到二维DFT就会产生四个低频点（四个角点），如图2左图，为了将低频信息集中在一起来观察，对DFT做中心化后就得到了图2右图所示的频谱图。

图2 2D-DFT中心换前后对比

下面用真实的图片的DFT变换来说明频率中心化操作的影响，这里的DFT是没有做频率中心化的，可以看出，频谱图的四个角都有亮点，在u,v两个维度都错位半个周期频谱图亮点集中了。

图3 未中心化的2D-DFT

对DFT变化做中心化，频谱图如下图：

图4 中心化后的2D-DCT

3. 在matlab中计算并可视化二维DFT

实际应用中，DFT及其逆变换可以通过使用FFT算法来实现，而且我们对图像做DFT，一般都是对灰度图做FFT变换，如果是彩图，需要将图像先转化为灰度图，再做FFT变换。

clc;
close all;
RGB=imread('图片路径')；
I = rgb2gray(RGB);
F = fft2(I)            % fft2()工具用来实现FFT变换
S = abs(F)             % 使用函数abs()计算傅里叶频谱（模值）
imshow(S, [])

Fc = fftshift(F);      % 频率中心化
% 举个简单的例子说明fftshift函数的作用
% a = [1 2; 3 4]        则 fftshift(a) = [4 3; 2 1]

% 对应的，去中心化
% F = ifftshift(Fc);


S2 = log(1+abs(Fc));    % 限制傅里叶系数的范围
imshow(S2, [])

二、DCT变换

1. 1D-DCT

DCT变换，DCT其实就是输入信号是实偶函数的DFT，现实应用中，没有那么多现成的实偶信号，而DCT的巧妙之处就是先将任何一个输入信号延拓为一个实偶信号，再做DFT变换，对一个长度为N的信号（信号在[0,N-1]上取值），将原信号关于N-1/2对称，以2N为周期将其周期延拓：

对2N个点的离散序列作DFT，有

与DFT相比，1D-DCT的低频点只有一个，就是当k=0的时候，在计算机中做DCT变换的时候，为了保证变换基的规范正交性，引入常量 $C(k)$ ：

2. 2D-DCT

因为一个周期内的1D-DCT只有一个低频点，一个周期内的2D-DCT也只有一个低频点。具体理解见下图：

图5 2D-DCT的能量集中在左上角

三、DCT的优点

DCT继承了DFT的可分离特性，即在做2D-DCT的时候，可以分解为一个沿行和一个沿列的1D-DCT来实现，相比于DFT，DCT有更好的能量压缩特性，因为它是对信号先镜像，然后DFT，使得二维图像的频谱图中只有左上角一个低频点，即图像中的重要信息全集中在左上角。

⒈顆糖果!

关注

13
点赞
踩
54

收藏

觉得还不错? 一键收藏
1
评论
详解DFT与DCT的联系与差别

目录一、DFT原理及其Matlab实现（一）1D-DFT（二）2D-DFT（三）1D-DFT和2D-DFT的频谱特点以及中心化思想1. 1D-DFT的频谱特点2. 2D-DFT的频谱特点3. 在matlab中计算并可视化二维DFT二、DCT变换1. 1D-DCT2D-DCT：三、DCT的优点一、DFT原理及其Matlab实现（一）1D-DFT先来看看1D-DFT，假如我们有长度为N的信号，对其做DFT，得到将DFT的实部和虚部拆...
复制链接

扫一扫