研究数字图像有时需要变换到频率做处理,比如滤波等。
但直接对数字图像进行二维DFT变换得到的频谱图是高频在中间,低频在四角,为了把能量集中起来便于使用滤波器,可以利用二维DFT的平移性质对频谱进行中心化。
(1)原理
![](https://img-blog.csdnimg.cn/img_convert/68aad0b61e5cc6ac49c714661a3b0e82.png)
![](https://img-blog.csdnimg.cn/img_convert/5b978c53d15a42aeb61cc5d6144555e9.png)
所以推导出来的结论是——对数字图像的每个像素点的取值直接乘以就行,x和y是像素坐标。
![](https://img-blog.csdnimg.cn/img_convert/878aea84b7f9a5bf3c933fa9ac0746a2.png)
频谱图比较亮的地方就是低频,因为图像的能量一般都是集中在低频部分。
![](https://img-blog.csdnimg.cn/img_convert/20591127a63e50b289560cdf9c943ec3.png)
频谱中心化以后,就是低频在中间高频在四周了。
频谱的最中间(u=v=0)就是频率变化最慢的分量,是图像频谱的直流分量,它的值是原图的平均灰度级。
![](https://img-blog.csdnimg.cn/img_convert/d9454e5c535e5cf42cb4f889c3df700b.png)
![](https://img-blog.csdnimg.cn/img_convert/8d873e402c58547fefdf24217b8ca2b6.png)
(2)频域滤波
![](https://img-blog.csdnimg.cn/img_convert/8d2609be3f61d84bda7e83749950a31b.png)
![](https://img-blog.csdnimg.cn/img_convert/a7d786b0e84a3d198dcc687c79ba8b83.png)
![](https://img-blog.csdnimg.cn/img_convert/c10093439719ab2c799cabdf6ba2b8e4.png)
![](https://img-blog.csdnimg.cn/img_convert/cd4023015f9950ac7063032179d668a0.png)
(3)一个有趣的应用
![](https://img-blog.csdnimg.cn/img_convert/62a2adf8d22364dfd3ebbaf79125ae77.png)
上图下面的左1是F(0,0),即平均灰度级。
左2是频谱减去左1后,以直径为25的圆环截取圆环内低频分量,反变换得到的图像。
后面是圆环直径依次增大,不断截取更多高频成分后,反变换得到的图像。
可见:
高频是细节信息,低频代表的概貌信息。
减去平均灰度级以后,反变换得到的图像的灰度在0左右,图像比较暗
————————————————
版权声明:本文为CSDN博主「doubleslow;」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_36607894/article/details/92809731