图像的低频是轮廓，高频是噪声和细节 小波变换

参考：http://blog.csdn.net/charlene_bo/article/details/70877999

图像的频率：灰度值变化剧烈程度的指标，是灰度在平面空间上的梯度。

（1）什么是低频?
      低频就是颜色缓慢地变化,也就是灰度缓慢地变化,就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。

（2）什么是高频?

     反过来, 高频就是频率变化快.图像中什么时候灰度变化快?就是相邻区域之间灰度相差很大,这就是变化得快.图像中,一个影像与背景的边缘部位,通常会有明显的差别,也就是说变化那条边线那里,灰度变化很快,也即是变化频率高的部位.因此，图像边缘的灰度值变化快，就对应着频率高，即高频显示图像边缘。图像的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。
      另外噪声（即噪点）也是这样,在一个像素所在的位置,之所以是噪点,就是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，因此有噪声在高频这么一说。

      其实归根到底,是因为我们人眼识别物体就是这样的.假如你穿一个红衣服在红色背景布前拍照,你能很好地识别么?不能,因为衣服与背景融为一体了,没有变化,所以看不出来,除非有灯光从某解度照在人物身上,这样边缘处会出现高亮和阴影,这样我们就能看到一些轮廓线,这些线就是颜色（即灰度）很不一样的地方.

参考：http://blog.csdn.net/u011630458/article/details/50733268

图像低频高频区域分离

2016-03-23 10:44  1187人阅读  评论(0)  收藏  举报

  分类：

ImageProcess（102） 

目录(?)[+]

简介

　　本篇整理记录利用小波分离图像的高频、低频部分信息。

具体实现

　　实现代码参考资料：小波变换 C++ opencv 实现。

小波变换

　　小波生成和参考资料中一致。小波变换中，首先抽取出原图像的每一行，进行小波分解，获得水平方向的高、低频信息。
接着抽取出原图像的每一列，进行小波分解，获得垂直方向的高、低频信息。
　　生成的对应结果如下：
                                                                                

 
                   水平方向                                         垂直方向

区域分离

　　如上，我们已经获得了水平、垂直方向的高、低频信息，并保存到了图像中。接着我们首先将这两幅图片都叠加到同一副图像中。
结果开运算、高斯滤波和阀值二值化之后，最终获得比较好的分离掩码结果。
　　对应代码如下：

  
  

   
   

    
    

     
     [cpp] 
     
     view plain
     
      copy
     
     

     
     

     
      
     
     
     
     
    
    
   
   
   
   
void picDone(Mat mat1, Mat mat2){  
    int i, j;  
    IplImage tmp;  
    CvScalar s;  
    float sum = 0;  
   
    mat2.copyTo(mask);                                                                                                                 
    tmp = mask;  
    for(i=0; i< mat2.rows; i++){  
        for(j=0; j< mat2.cols; j++){  
            mask.at<float>(i,j) = (mat1.at<float>(i,j) + mat2.at<float>(i,j)) / 2;  
            if((i==0) && (j==0)){  
                sum = mask.at<float>(i,j);    
            }else{  
                sum = (sum + mask.at<float>(i,j)) / 2;  
            }  
        }     
    }  
    tmp = mat2;  
    cvZero(&tmp);  
   
    imshow("mask0", mask);  
    morphologyEx(mask, mat2, MORPH_CLOSE, Mat(5,5,CV_8U), Point(-1,-1), 1);  
    GaussianBlur(mat2, mask, Size(7,7), 0, 0);  
   
    tmp = mask;  
    for(i=0; i< mask.rows; i++){  
        for(j=0; j< mask.cols; j++){  
            s = cvGet2D(&tmp, i, j);  
            if(s.val[0] < sum){  
                s.val[0] = 0;  
                cvSet2D(&tmp, i, j, s);  
            }  
        }  
    }  
    imshow("mask", mask);  
}  
  
  

　　对应的结果显示如下：