浅谈Opencv中的傅立叶变换

本文同步发表于个人博客

前言

最近在搞图像处理的大作业，做了一个图像处理软件，在实现滤波时需要用到傅立叶变换把图像从时域转移到频率域，从而加速图像卷积。感觉网上相关资料颇少而且不够完整，并且为了防止以后自己忘记，我就决定开一个博客简要阐述并记录一下 $Opencv$ 中傅立叶变换的原理及使用！

前置芝士

傅立叶变换

在图像处理中，我们经常需要使用离散傅立叶变换 $(DFT)$ 把图像从时域转移到频率域进行分析。低频分量对应的是图像中变化平缓的部分，如人的皮肤，大块面积的相同颜色等；高频分量对应的是图像中变化较快的部分，如边缘的轮廓，图像中的噪声等。

下面举个简单的例子演示一下。

原图

低频分量

高频分量

一维离散傅立叶变换 $(1D-DFT)$

给出长度为 $n$ 的向量 $f$，令 $F=DFT(f)$，则有：

$$F(u)=\frac{1}{n}\sum _{k=0}^{n-1}f(k)e^{-j\frac{2\pi u}{n}k}$$

在介绍快速傅立叶变换优化多项式乘法的老博客中（式子形式不太一样），我们提到这个式子可以理解为将 $n$ 次单位根 ${\omega }_n^u$ 代进以 $f$ 为生成函数的 $n-1$ 次多项式中。

而其物理意义其实是用 $n$ 个不同频率的分量来代表原向量 $f$。

一维逆离散傅立叶变换 $(1D-IDFT)$

给出长度为 $n$ 的向量 $F$，令 $f=IDFT(F)$，则有：

$$f(u)=\sum _{k=0}^{n-1}F(k)e^{j\frac{2\pi u}{n}k}$$

本质上是 $DFT$ 的矩阵（范德蒙矩阵）求逆后的矩阵和 $F$ 相乘。

$1D-DFT$ 的计算

朴素的计算时间复杂度是 $O(n^2)$ 的，利用单位根的性质可以分治计算做到 $O(n\log$