计算机视觉（五）：频率域滤波基础

更多内容关注公众号：数学的旋律

tb店铺搜：FUN STORE玩物社，专业买手挑选送礼好物

一、数学预备知识

1. 傅里叶级数

设 $f(x)$ 以 $2\pi$ 为周期，在 $[-\pi ,\pi ]$ 绝对可积，则由公式
$$a_n=\frac{1}{\pi }{\int }_{-\pi }^{\pi }f(x)\cos nxdx,n=0,1,2,...$$$$b_n=\frac{1}{\pi }{\int }_{-\pi }^{\pi }f(x)\sin nxdx,n=1,2,...$$决定的 $a_n$、$b_n$ 称为傅里叶系数，称由这些 $a_n$、$b_n$ 决定的三角级数
$$f(x)～\frac{a_0}{2}+\sum _{n=1}^{\infty }(a_n\cos nx+b_n\sin nx)$$为 $f(x)$ 的傅里叶级数。
例1  设 $f(x)$ 以 $2\pi$ 为周期，在 $[-\pi ,\pi ]$ 上$f(x)=x$，试求 $f(x)$ 的傅里叶级数。
$解：f(x)$的图像如下图所示

由 $f(x)$ 在 $[-\pi ,\pi ]$ 是奇函数，知 $f(x)\cos nx$ 在 $[-\pi ,\pi ]$ 也是奇函数，因而 $a_n=0$。
$$b_0=\frac{1}{\pi }{\int }_{-\pi }^{\pi }x\sin nxdx=\frac{2}{\pi }{\int }_0^{\pi }x\sin nxdx$$$$=\frac{2}{n\pi }[-x\cos nx{|}_0^{\pi }+{\int }_0^{\pi }\cos nxdx]=\frac{(-1{)}^{n-1}2}{n}$$故傅里叶级数为
$$f(x)～2\sum _{n=1}^{\infty }\frac{(-1{)}^{n-1}\sin nx}{n}=2(\sin x-\frac{\sin 2x}{2}+\frac{\sin 3x}{3}-\frac{\sin 4x}{4}+\dots )$$从下图可看出该函数的傅里叶级数大致图像

二、基本概念

1. 频率域

      频率域的图像处理首先把一副图像变换到频率域，在频率域中进行处理，然后通过反变换把处理结果返回到空间域。

2. 复数

      复数 $C$ 的定义如下：
$$C=R+jI$$式中，$R$ 和 $I$ 是实数，$j$ 是一个等于 $-1$ 的平方根的虚数，即 $j=\sqrt{-1}$。$R$ 表示复数的实部，$I$ 表示复数的虚部。
      在极坐标下，有
$$C=|C|(\cos \theta +j\sin \theta )$$式中，$|C|=\sqrt{R^2+I^2}$ 是复平面的原点到点 $(R,I)$ 的向量的长度， $\theta$ 是该向量与实轴的夹角。
      从下图可以看出 $\tan \theta =\frac{I}{R}$，$R=\cos \theta |C|$，$I=\sin \theta |C|$。

3. 欧拉公式

欧拉公式定义如下：
$$e^{j\theta }=\cos \theta +j\sin \theta$$式中，$e=\mathrm{2.71828...}$，可给出极坐标下复数表示：
$$C=|C|e^{j\theta }$$式中，$|C|$ 和 $\theta$ 的定义如上。

4. 傅里叶级数

具有周期 $T$ 的连续变量 $t$ 的周期函数 $f(t)$ 可描述为乘以恰当系数的正弦和余弦之和，这个和就是傅里叶级数：
$$f(t)=\sum _{n=-\infty }^{\infty }{c}_n{e}^{j\frac{2\pi n}{T}t}$$式中，
$$c_n=\frac{1}{T}{\int }_{-T/2}^{T/2}f(t)e^{-j\frac{2\pi n}{T}t}dt,n=0,\pm 1,\pm 2,\dots$$是系数。上式可展开为正弦与余弦之和这一事实来自欧拉公式。

5. 取样

连续变量 $t$ 在 $t=0$ 处的单位冲激表示为 $\delta (t)$，其定义是：
$$\delta (t)=\{\begin{array}{ll}\infty ,& \text{t=0}\\ 0,& \text{t=0}\end{array}$$冲激串 $S_{\Delta T}(t)$ 定义为无限多个离散的周期冲激单元 $\Delta T$ 之和：
$$S_{\Delta T}(t)=\sum _{n=-\infty }^{\infty }\delta (t-n\Delta T)$$模拟取样的一种方法是，用一个 $\Delta T$ 单位间隔的冲激串作为取样函数去乘以 $f(t)$，即
$$\tilde{f}(t)=f(t)S_{\Delta T}(t)=\sum _{n=-\infty }^{\infty }f(t)\delta (t-n\Delta T)(1)$$式中，$\tilde{f}(t)$ 表示取样后的函数。这个和式的每个成分都是由该冲激位置处 $f(t)$ 的值加权后的冲激，每个取样值由加权后的冲激“强度”给出，我们可通过积分得到它，也就是说，序列中的任意取样值 $f_k$ 由下式给出：
$$f_k={\int }_{-\infty }^{\infty }f(t)\delta (t-k\Delta T)dt=f(k\Delta T)(2)$$

三、傅里叶变换

1. 一维连续傅里叶变换

      $f(t)$ 的傅里叶变换可写为
$$F(u)={\int }_{-\infty }^{\infty }f(t)e^{-j2\pi ut}dt$$相反，给定 $F(u)$，通过傅里叶反变换可以得到 $f(t)$，写为
$$f(t)={\int }_{-\infty }^{\infty }F(u)e^{j2\pi ut}du$$以上两式共同称为傅里叶变换对。它们指出一个函数可以由其变换来恢复。使用欧拉公式，$F(u)$ 可写为
$$F(u)={\int }_{-\infty }^{\infty }f(t)[\cos (2\pi ut)-j\sin (2\pi ut)]dt$$      可以看到，如果 $f(t)$ 是实数，那么其变换通常是复数。注意，傅里叶变换是 $f(t)$ 乘以正弦项的展开，正弦项的频率由 $u$ 的值决定。因为积分后剩下的唯一变量是频率，故我们说傅里叶变换域是频率域。

2. 一维离散傅里叶变换

      由取样后的函数的连续变换可得到离散傅里叶变换（DFT）。
      采样后函数 $\tilde{f}(t)$ 的变换 $\tilde{F}(u)$ 的表达式如下：
$$\tilde{F}(u)={\int }_{-\infty }^{\infty }\tilde{f}(t)e^{-j2\pi ut}dt$$用式(1)代替 $\tilde{f}(t)$ 得：
$$\tilde{F}(u)={\int }_{-\infty }^{\infty }\sum _{n=-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi ut}dt$$$$=\sum _{n=-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi ut}dt$$$$=\sum _{n=-\infty }^{\infty }{f}_n{e}^{-j2\pi un\Delta T}(3)$$最后一步由式(2)得出。
      虽然 $f_n$ 是离散函数，但其傅里叶变换 $\tilde{F}(u)$ 是周期为 $1/\Delta T$ 的无限周期连续函数。因此，我们需要表征 $\tilde{F}(u)$ 的一个周期，而对一个周期取样是DFT的基础。
      假设我们想要在周期 $u=0$ 到 $u=1/\Delta T$ 之间得到 $\tilde{F}(u)$ 的 $M$ 个等间距样本。这可通过在如下频率处取样得到：
$$u=\frac{m}{M\Delta T},m=0,1,2,...,M-1$$把 $u$ 的这一结果代入式(3)，并令 $F_m$ 表示得到的结果，则有：
$$F_m=\sum _{n=0}^{M-1}{f}_n{e}^{-j2\pi mn/M},m=0,1,2,...,M-1$$这个表达式就是我们寻找的离散傅里叶变换。
      通过傅里叶反变换（IDFT）可以得到 ：
$$f_n=\frac{1}{M}\sum _{m=0}^{M-1}{F}_m{e}^{j2\pi mn/M},n=0,1,2,...,M-1$$      在前面的阐述中，我们使用 $m$ 和 $n$ 来表示离散变量，因为人们在推导中历来都是这一的。然而，特别是在二维情况下，使用 $x$ 和 $y$ 表示图像坐标变量并使用 $u$ 和 $v$ 表示频率变量更为，在这里，这些变量可以理解为整数。这样，最终得到的离散傅里叶变换对如下（$F(u)\equiv F_m，f(x)\equiv f_n$）：
$$F(u)=\sum _{x=0}^{M-1}f(x)e^{-j2\pi ux/M},u=0,1,2,...,M-1$$$$f(x)=\frac{1}{M}\sum _{u=0}^{M-1}F(u)e^{j2\pi ux/M},x=0,1,2,...,M-1$$

3. 二维连续傅里叶变换

      令 $f(t,z)$ 是两个连续变量 $t$ 和 $z$ 的连续函数。则其二维连续傅里叶变换对可由下式给出：
$$F(u,v)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(t,z)e^{-j2\pi (ut+vz)}dtdz$$$$f(t,z)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }F(u,v)e^{j2\pi (ut+vz)}dudv$$式中，$u$ 和 $v$ 是频率变量。当涉及图像时，$t$ 和 $z$ 解释为连续空间变量。

4. 二维离散傅里叶变换

      二维离散傅里叶变换：
$$F(u,v)=\sum _{x=0}^{M-1}\sum _{y=0}^{N-1}f(x,y)e^{-j2\pi (ux/M+vy/N)},u=0,1,2,...,M-1,v=0,1,2,...,N-1$$      使用傅里叶反变换得到 $f(x,y)$：
$$f(x,y)=\frac{1}{MN}\sum _{u=0}^{M-1}\sum _{v=0}^{N-1}F(u,v)e^{j2\pi (ux/M+vy/N)},x=0,1,2,...,M-1,y=0,1,2,...,N-1$$

四、卷积

1. 定义

      具有连续变量 $t$ 的两个连续函数 $f(t)$ 和 $h(t)$ 的卷积定义如下：
$$f(t)★h(t)={\int }_{-\infty }^{\infty }f(\tau )h(t-\tau )d\tau$$      二维卷积定义如下：
$$f(x,y)★h(x,y)=\sum _{m=0}^{M-1}\sum _{n=0}^{N-1}f(m,n)h(x-m,y-n)$$

2. 一维卷积定理

      空间域中两个函数的卷积的傅里叶变换，等于两个函数的傅里叶变换在频率域中的乘积；如果有两个变换的乘积，那么我们可以通过计算傅里叶反变换得到空间域的卷积。
      卷积定义可通过以下公式表示。我们将 $t$ 所在的域称为空间域，将 $u$ 所在的域称为频率域。$F(u)$ 是 $f(t)$ 的傅里叶变换；$H(u)$ 是 $h(t)$ 的傅里叶变换，根据卷积定理有（$⟺$表示傅里叶变换对）：
$$f(t)★h(t)⟺F(u)H(u)$$$$f(t)h(t)⟺F(u)★H(u)$$

3. 二维卷积定理

$$f(x,y)★h(x,y)⟺F(u,v)H(u,v)$$$$f(x,y)h(x,y)⟺F(u,v)★H(u,v)$$

五、傅里叶谱和相角

因为二维DFT通常是复函数，因此可使用极坐标形式来表示：
$$F(u,v)=|F(u,v)|e^{j\varphi (u,v)}$$式中，幅度
$$|F(u,v)|=[R^2(u,v)+F^2(u,v){]}^{\frac{1}{2}}$$称为傅里叶谱（或频谱），而
$$\varphi (u,v)=arc\tan [\frac{I(u,v)}{R(u,v)}]$$称为相角。

六、频率域的其他特性

      变换最慢的频率成分（$u=v=0$）与图像的平均灰度成正比。
      当我们远离变换的原点时，低频对应于图像中变换缓慢的灰度成分；当我们原点移开更远一些时，较高的频率开始对应于图像中越来越快的灰度变化。
      频率域中的滤波技术是以如下处理为基础的：修改傅里叶变换以达到特殊目的，然后计算IDFT返回到图像域。

以上全部内容参考书籍如下：
冈萨雷斯《数字图像处理（第三版）》