图像的傅里叶变换与图像的能量分布——再探

      有这样一段话，刚开始不好理解：根据傅里叶变换理论，频域中的频谱值都是由整幅图像计算出来的，因此，整个频谱范围内，低频分量集中在四个角，且其它地方的值只可能比这个值小。

       

      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。就我的理解，傅里叶变换使数学上的棱镜，将某个函数（本文指图像）基于频率分解成不同部分。在物理中，研究光是通过研究光谱，而傅里叶变换使通过研究频谱。

      如上一篇博客所述：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。而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。

      为什么需要傅里叶变换呢？我们知道，傅里叶变换是将时域信号分解为不同频率的正弦信号和余弦信号之和。而时域信号只能反映信号的幅值随时间的变化情况，除了单频率分量的简谐波外，很难对信息频率的组成及频率分量的大小进行详细分析。而信号频谱显然提供了更丰富的信息。在实际的图像处理中，我们仅仅使用了图像的幅度信息，因为幅度信息基本包含了所有的几何信息。但是！！但是！！如果你想通过修改幅度或者相位的方法，来间接修改原空间图像，你需要使用逆傅里叶变换来得到修改后的空间图像，这样，你就必须同时保留幅度图像和相位图像。

  

      从傅里叶的频谱谱中可以看到敏感不一的亮点&#x