halcon快速傅里叶变换

说明

• 高频：噪声、细节和边缘，图像高频分量指图像突变部分，在某些情况下指图像边缘信息，某些情况下指噪声，更多是两者的混合。
• 低频：图像整体轮廓，图像低频分量指图像（亮度/灰度）变化平缓的部分，代表着那是连续渐变的一块区域，这部分就是低频。对于一幅图像来说，除去高频的就是低频了，也就是边缘以内的内容为低频，而边缘内的内容就是图像的大部分信息，即图像的大致概貌和轮廓，是图像的近似信息。

高通滤波器 —— 让图像高频分量通过，抑制低频分量。
低通滤波器 —— 与高通相反，让图像低频分量通过，抑制高频分量。
带通滤波器 —— 使图像在某一部分的频率信息通过，其他过低或过高都抑制。
带阻滤波器—— 是带通的反。

加强理解：图像噪声一般是白点或者黑点，因为它与正常的点颜色不一样了，也就是说该像素点灰度值明显不一样了，也就是灰度有快速地变化了，所以是高频部分；图像细节处也是属于灰度值急剧变化的区域，正是因为灰度值的急剧变化，才会出现细节，也属于高频部分；所以一般会对信号先进行低通滤波处理，即过滤掉图像中的高频部分（噪声/细节/边缘），留下低频（图像轮廓），结果就是图像模糊了。

图像处理中，有书上说低频反应轮廓，高频反应细节；有的文章里面说低频反应的是背景，高频反应的是边缘；低频反应轮廓，这里的轮廓指的不是边缘(很多人会搞混觉得轮廓是指的就是边缘)，打个比方，近视眼的人摘了眼镜，人们通常会说：“我什么也看不清，仅仅能看到一个大致轮廓。”就是类似的意思。所以图像的边缘提取仍是提起的边缘的高频信息，这两种说法并不矛盾。（参考链接：https://blog.csdn.net/weixin_43197380/article/details/123285801）

傅里叶变换公式如下：

滤波后的效果

• 低通滤波，保留低频分量，实际相当于模糊图像，傅里叶转到时域上后，都是正值
• 高通滤波，保留高频分量，傅里叶转到时域上后，在边缘部分或缺陷部分会出现正负变换的现象，此时可通过gray_range_rect算子来突出缺陷部分，再进行后续处理！

关键算子

optimize_rft_speed( : : Width, Height, Mode : )

优化当前选择的FFT算法，halcon中有好多FFT算法，在不同的数据规模和硬件下有多种不同的选择，调用该方法可自动评估出最合适的算法，显著提升FFT的速度。

rft_generic和fft_generic

rft_generic(Image : ImageFFT : Direction, Norm, ResultType, Width)
fft_generic(Image : ImageFFT : Direction, Exponent, Norm, Mode, ResultType)
这两个算子的不同点：

1.简单理解，rft_generic算子只计算和存储了复数图像的左半部分（右边是共轭的），而fft_generic算子计算和存储的是复数图像，前者大大提升了运算速率；
2.fft_generic算子可以通过参数Mode设置原点的位置：如果设置的是’dc_edge’，那么原点在左上角（即左上角是低频成分）；如果设置的是’dc_center’，那么就会将原点平移到中心位置（中心是低频成分，四角是高频）。fft_generic算子一般会设置为’dc_center’。对于rft_generic算子，因为没有设置项，所以默认原点位置为左上角。

相同点：

1.Direction,分别是’to_freq’ 和’from_freq’
2.Norm,‘none’, ‘sqrt’ and ‘n’，这里其实决定了傅里叶变换公式中前面的系数c，默认值:‘sqrt’（开根号,c=sqrt(MN)，转到频域数值最小）；也可设置为 ‘n’（图像宽图像高,c=M*N，频域数值中间），‘none’（不使用,c=1，此时频域数值最大)。当正向变换时，一般选择’sqrt’，反向变换时，一般选择’n’（halcon例程）
3.Exponent：对应公式中指数符号，前向变换用-1，一般搭配’to_freq’ 使用,后向变换用1，搭配’from_freq’。
4.ResultType，如果是’to_freq’，那么ResultType一般选择’complex’；如果是’from_freq’，ResultType一般选择’real’(小数图像，需自己按比例转换为灰度)。如果为’byte’，则有可能不准确，全白或全黑。

gen_gauss_filter( : ImageGauss : Sigma1, Sigma2, Phi, Norm, Mode, Width, Height : )

在频率域创建一个高斯滤波器。
Sigma1:主方向的sigma值，越小越平缓，范围越大
Sigma2:垂直主方向的sigma值，这里两个参数相当于高斯滤波中的x方向和y方向分别计算，原理如该公式
传统卷积框如下(核大小为3)，计算时复杂度为rowscolsksize*ksize。

而分开计算核如下只有一维：

这样先行计算，再列计算，效果是一样的（因为都要归一化，所有前面是有系数的，未分离的系数是1/16，分离的系数是1/4，此时对一个全1的区域进行卷积，两个结果都是1.）。这两个sigma可以是不同的，也就是说x方向和y方向可以不同的卷积计算。sigma越大，高斯图像越平缓，越矮，滤波效果越差。
Phi:在空间域中主轴的方向
Norm:是否归一化。“n”是不进行归一化，和后面的rft_generic参数Norm类似
Mode:“dc_center”, “dc_edge”, “rft”，dc_center是0频在中间(即低频在中间)，dc_edge低频在四角，rft是半张图片，低频在左上和左下。
例如：

gen_gauss_filter (ImageGauss2, 2, 2, 0, 'none', 'rft', Width, Height)
* 注意左上角为1，周边逐渐递减

gen_gauss_filter (ImageGauss1, 10, 10, 0, 'none', 'rft', Width, Height)

convol_fft(ImageFFT, ImageFilter : ImageConvol : : )

进行卷积，实际是复数图像ImageFFT的像素乘以滤波器ImageFilter的相应像素，因此滤波器中黑色的部分对应到频率图中相应位置的数据被清除。