数字图像频谱特性研究

必看：前面的原理说明有些公式图片复制过来出现乱码，因为太多了，一个个改太麻烦了，所以有需要可以直接在这里下载原版报告

https://download.csdn.net/download/m0_64054405/88303650?spm=1001.2014.3001.5503

摘  要

数字图像的频谱特性包含了图像的详细信息，特别是对于一些复杂的图像，使用频域分析方法能够更好地识别和分析图像。在图像处理中，通过频率滤波或频域变换等方式可以有效地增强或削弱图像的频率分量，进而调整图像的空间域信息。利用MATLAB信号处理工具箱可以快速有效地设计各种数字滤波器。课题基于MATLAB有噪音图像处理的设计与实现，综合运用数字信号处理的理论知识对图像频谱进行分析、对加噪图像进行滤波，并分析图像降采样的频谱混叠。MATLAB具有方便的数据可视化功能，以将向量和矩阵用图形表现出来，高层次的作图包括二维和三维的可视化、图象处理。本次实验利用MATLAB对图像进行处理，实现空间域与频域之间的转换，得出图像的频谱图，对图像进行分析，得出图像空间域与频域之间的关系。并用MATLAB语言设计FIR滤波器对图像进行滤波。然后对实验进行拓展，对图片进行加椒盐噪声和高斯噪声，再对图像用不同的滤波器进行滤波，分别从空间域与频域对滤波后的图片进行分析，总结出各个滤波器的作用与特点。最后我们还对细节丰富的图像进行了直接降采样，分析了图像的频谱，总结出如何才能避免直接降采样引起的频谱混叠。

关键词：滤波器、MATLAB 数字图像处理、降采样

目录

一、 绪论... 5

1.1设计目的... 5

1.2设计意义... 5

二、课程设计任务要求及研究方案论证... 6

2.1任务要求... 6

2.2原理说明... 6

2.3 研究方案论证... 11

2.4设计开发所用的工具... 12

三、设计的具体实现... 13

3.1 图像的空间域信息与二维频谱信息之间的关系... 13

3.2    二维FIR滤波器的实现效果与对比... 15

3.3 降采样频谱混叠原因及解决办法... 21

四、结论... 23

4.1图像的空间域信息与二维频谱信息之间的关系... 23

4.2二维FIR滤波器的实现效果与对比... 24

4.3降采样频谱混叠的原因及解决办法... 26

五、致谢... 27

六、参考文献... 28

一、 绪论

1.1设计目的

1.培养学生能够利用数字信号处理理论，结合参考文献，调研、分析信号处理问题的实验研究方案，培养学生的组织、协调和指挥能力。

2.利用二维FFT算法对数字图像进行频谱分析，通过合理有效的研究方案和实验来了解图像的空间域信息与图像的二维频谱信息之间的关系。

3.让学生掌握数字图像处理领域中的基本理论和实用技术，包括图像的频谱特性、滤波技术和采样理论等。

4.掌握二维图像FIR滤波器的基本设计，深入理解图像处理过程中的各种问题和挑战，并能够寻找有效的解决方法。

5.此外，该设计还可以提高学生的编程能力和创新思维能力，让他们在实践中不断积累经验和提升能力。

1.2设计意义

图像处理是计算机视觉、数字信号处理等领域的重要分支，其对应用领域和实际场景提供了很多有意义的解决方案。研究图像二维FFT变换、二维滤波以及降采样的意义在于为图像处理领域提供了更深入、更全面的理论基础和实践经验。

一方面，图像二维FFT变换能够将图像从空间域转化到频率域。通过分析图像在频率域中的幅度、相位等特性，可以发现图像中隐藏的高频、低频信息，从而选择合适的滤波器对图像进行处理。这些操作可以在一定程度上去除图像中的噪声，增强图像中的边缘、纹理等信息，使图像更具有美感和可读性。

图像二维数字滤波的研究对于实现高质量图像处理具有重要意义。图像在采集、传输、存储和显示过程中易受外界噪声的影响，出现模糊、失真等问题。通过设计合适的滤波器可以去除这些噪声，并提高图像的清晰度和保真度。

另一方面，图像降采样是将图像的像素数量降低，以减少图像占用的存储空间和处理时间。与图像二维FFT变换相似，通过先进行低通滤波器操作，可以消除高频信号中的混叠现象，同时保留信号中大部分低频信息，降采样后的图像更加准确和清晰。

通过将图像二维FFT变换、二维滤波和降采样相结合，可以构建高效的图像处理框架。这种处理框架不仅可以用于图像增强、去噪、模糊化、分割和识别等任务，还可以应用于医疗影响、工业检测、军事侦察等领域中的图像处理。

因此，研究图像二维FFT变换、二维滤波以及降采样对于提高图像处理效率和准确度，推动图像处理技术向更深入、更全面的方向发展具有重要意义。

二、课程设计任务要求及研究方案论证

2.1任务要求

1.对图象进行二维FFT变换，得到图象的幅度谱信息，分析图像的空间域信息与图像的二维频谱信息之间的关系。

2.利用FIR滤波器对图像信号进行二维滤波。FIR滤波器包括均值滤波器、高斯滤波器、sobel边缘检测滤波器等。对比各种滤波器的效果（空域对比、频域对比）。

3.如果对细节丰富的图象直接降采样，可能导致采样后的图象频谱混叠，如何避免频谱混叠？通过编程实验来分析原因，并寻找解决方法，给出结论。

4.图象包括灰度图像和彩色图象。设计报告格式要规范，要明确阐述研究方案、实现的原理、方法、步骤，实验数据要能充分说明本研究方案的正确性、先进性。

2.2原理说明

2.2.1图像的二维FFT变换

图像的傅里叶变换：

图像可以被看做是一个二维的信号，所以对图像做傅里叶变换，其实就是对一个二维信号做二维的傅里叶变换。图像的傅里叶变换是将一幅图像中的像素数据从空间域（即二维坐标系中）转换到频域中（即在二维频域中），用来描述其内部的频率成分以及它们在图像中的分布情况。

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。图像的高频，意味着灰度变化剧烈。图像的低频，意味着灰度变化平坦。所以二维图像进行傅里叶变化得到的频谱图其实就是图像梯度的分布图。

二维傅里叶变换的公式如下：

Fu,v=x=0M-1y=0N-1f(x,y)e-j2Π(uxM+vyM)

对上述表达式调整和分顺序，先对x求和，再对y求和。我们可以将二维离散傅里叶变换公式转化为两次一维离散傅里叶变换。一维离散傅里叶变换公式如下：

Fu=x=0N-1f(x)e-j2Π(uxN)

​从变换公式中我们可以看出来，由于我们要求N个F(u)，每个F(u)需要进行N次运算。使用这样算法的时间复杂度是O(n2)

的。这样的算法在N特别大时，会比较慢。

图像的快速傅里叶变换：

快速傅里叶变换其中一个重要的依据就是函数的点值对表示。其实我们对离散函数求得的傅里叶变换的结果就是一个点值对表示。一个n次多项式函数，注意：这里的n是2的整数幂，如果一个函数的最高次没有达到2的整数幂，我们可以认为此项系数为0，不影响函数的值A(x)=a0+a1x+a2x2+...+an-1xn-1

在奇偶项合并后，我们可以得到

A(x)=(a0+a2x2+...+an-2xn-2)+(a1x+a3x3+...+an-1xn-1)

A(x)=(a0+a2x2+...+an-2xn-2)+x(a1+a3x2+...+an-1xn-2)

A(x)=Aeven(x2)+xAodd(x2)

将Wnk  k∈(0,1,2,...,n-1)

 带入A(x)，可以得到A(x)的点值对表示。但是这种点值对的计算方法，仍然是O(n2)

的。如何将计算加速呢？这里就用到我们取巧的Wn

上了。简要介绍一下Wnk

，它是正整数1的n次单位根。具体值为：

Wnk=ei2πk/n=cos(2πkn)+i*sin(2πkn)

从虚数相乘等于在圆上的旋转，我们可以看出它确实是1的n次单位根的集合。它有几个特殊的性质

Wnk=ei2πk/n=ei2kΠncos2πkn+i*sin2πkn=-Wnk

Wnk=ei2πk/n=ei2kΠn*ei2Π=Wnk

所以我们在计算点值对的时候，有这样一种关系：

AWnk=AevenWn2k+Wnk*Aodd(Wn2k)

AWnk+n2=AevenWn2k-Wnk*Aodd(Wn2k)

则我们求出AevenWn2

和Aodd(Wn2k)

就可以得到两个值。根据我们算法课学的分治+递归的思想。递归层数为logn次，每层计算时间复杂度为O(n)，则总的时间复杂度为O(nlogn)。这样我们就做到了快速计算。

2.2.2图像的二维滤波

均值滤波器：

平滑线性空间滤波器的输出是包含在滤波器模板邻域内的像素的简单平均值，也就是均值滤波器。均值滤波器也是低通滤波器，均值滤波器很容易理解，即把邻域内的平均值赋给中心元素。均值滤波器在目标图像中滑动（卷积），用卷积核窗口中所有像素值的平均值替换目标像素值，卷积核一般是正方形，但也可以是任意形状，下图显示了N*N均值滤波卷积核：

α代表了卷积核中点的个数（N*N个），均值滤波器用来降低噪声，均值滤波器的主要应用是去除图像中的不相关细节，不相关是指与滤波器的模板相比较小的像素区域。模糊图片以便得到感兴趣物体的粗略描述，因此那些较小的物体的灰度就会与背景混合在一起，较大的物体则变的像斑点而易于检测。模板的大小由那些即将融入背景中的物体尺寸决定。均值滤波不能很好地保护图像细节，在给图像去噪的同时也破坏了图像细节部分，丢失图像特征信息。而且均值滤波不能很好的去除噪声点，尤其是椒盐噪声。

高斯滤波器：

高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1;而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。

高斯滤波的模板是用高斯公式计算出来的。下面是二维高斯分布函数及其函数图像：

Gx,y=12Πσ2e-  (x2+ y2)/2σ2 

图2.2.1 高斯分布函数

那么高斯滤波模板是怎么生成的呢？是通过二维高斯函数计算出来的。例如，我们假设一个高斯模板的长、宽均为5，方差为0.5，那么首先，我们要在模板上建立一个坐标系，其原点就是高斯模板的中心点，然后每个模板的坐标就可以确定了，如下图：

        

 每个格子对应的坐标，就是二维高斯分布中的（x，y）坐标的值。现在，我们可以计算出高斯模板上每个坐标位置的系数了。例如：

（-2,2）上的权值：W =Gx,y=12Πσ2e-  (x2+ y2)/2σ2 

，把pi = 3.14，  σ=0.5，x=-2，y=2带入上式，获得（-2,2）处的权值。同理，可以计算 其他位置的权值。最后获得一个5*5，标准差σ为0.5的高斯滤波器（经过归一化以后）：

sobel边缘检测滤波器：

Sobel算子是一种典型的用于边缘检测的线性滤波器，它基于两个简单的3*3内核，内核结构如下图所示

            

          图2.2.2 水平方向             图2.2.3垂直方向

如果把图像看做二维函数，那么sobel算子就是图像在水平和垂直方向变化的速度。sobel算子在水平和垂直方向计算像素值的差分，得到图像梯度的近似值。它在像素周围的一定范围内进行运算，以减少噪声带来的影响。组合垂直和水平方向的结果，计算Sobel的范数：

gradG=(∂G∂x)2+(∂G∂y)2

但是在图像处理领域，通常把绝对值之和作为范数进行计算（成为L1范数），他的结果和L2范数结果接近，且计算速度快。

gradG=∂G∂x+|∂G∂y|

2.2.3图像的降采样与频谱混叠

降采样定义：图像降采样是指在保持图像尺寸不变的情况下，通过减少图像中的像素数目或缩小像素的大小来对图像进行处理的过程。也就是说，降采样可以使原始图像中的每个像素点表示更多的信息。可用下图图像金字塔来简单理解降采样：

图2.2.4 图像金字塔

频谱混叠：但是，当对细节丰富的图像进行降采样时，频谱混叠是一个常见的问题。频谱混叠指的是高频分量在降采样过程中被混合到低频区域，导致失真和模糊。频谱混叠的原因是由于对细节丰富的图像进行降采样时，导致高频成分超出了采样频率的一半（奈奎斯特频率），从而在重构图像时发生频谱混叠。具体地说，根据奈奎斯特采样定理，为了准确重构原始信号，采样频率必须大于信号中的最高频率的两倍。如果将采样频率设置得低于奈奎斯特频率，就会导致高频部分的信息被误认为低频成分，产生混叠。

2.3 研究方案论证

2.3.1基于二维FFT变换分析图像的幅度谱与空间域信息之间的关系

对图像的二维傅fft变换本组将直接使用matlab自带函数fft2()来实现。

为能准确分析图像的空间域信息与图像的二维频谱信息之间的关系，本组计划使用多张有代表性的图像进行fft变换，得到多份频谱图，经过对比多组图片空间域与频率域的不同与相同，得到图像的空间域信息与图像的二维频谱信息之间的关系。

2.3.2二维FIR滤波器的实现效果与对比

图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作。在进行图像算法前，对图像进行滤波预处理往往会带来更好的效果。本题中选取了均值滤波器、高斯滤波器与sobel边缘检测滤波器三种FIR滤波器对图像进行二维滤波。

对于该题我组的实现思路为：

图2.3.1 实现思路

2.3.3 降采样频谱混叠的原因及解决办法

本组计划先对细节丰富的图像不做任何处理进行降采样观察其频谱混叠的现象，再通过滤波或超采样等手段对原图像做一定处理来防止频谱混叠，再进行降采样，并观察二者区别。

为了避免频谱混叠，可以使用超采样（也称为插值）与滤波的方法（原理：频率混叠是信号采样过程中的一个问题，导致高频成分被错误地显示成低频成分。通过超采样，在频域上将高频成分扩展到更高的频率范围，然后再通过滤波去除高频部分，可以有效避免频率混叠现象的发生。）。具体步骤如下：

(1) 超采样（插值）：首先对原始信号进行超采样处理，即增加信号的采样率。通过插值算法，在每个采样点之间添加新的采样点，从而增加信号的采样密度和频率信息。

(2) 滤波：在进行超采样后的信号上，进行滤波操作。滤波的目的是去除超过折叠频率的高频成分，以防止频谱混叠。滤波器通常选择低通滤波器，用于保留感兴趣频率范围内的信号成分。

(3) 降采样：在经过超采样和滤波后的信号中，进行降采样操作，即减少信号的采样率。降采样可根据需要选择合适的采样率，以满足系统要求或减少数据量。降采样会丢失部分高频信息，但由于超采样和滤波的作用，降采样后的信号不会发生频谱混叠问题。

其中，经与其他方法对比分析，超采样本题使用双线性差值方法，滤波本题使用的是高斯滤波器，计算量小且图像较为平滑，细节保留较好。

图2.3.2实现思路

2.4设计开发所用的工具

Matlab2022a，PC机

三、设计的具体实现

3.1 图像的空间域信息与二维频谱信息之间的关系 

3.1.1 灰度图像的fft变换

实现步骤：

1. imread( )函数读取原始图像；
2. rgb2gray( )将图像转为灰度图像

图3.1.2 灰度图像

1. im2double( )将图像数据转为double型进行归一化
2. fft2( )函数对图像进行快速傅里叶变换，得频谱图
3. fftshift( )函数对频谱图进行象限转换，将低频分量移到中心

             

 图3.1.3原始频谱图                                                                               图3.1.4 象限转换后的频谱图

1. 取傅里叶变换后的幅度值（取模），将频谱图数据的复数变为实数幅度图。
2. 因傅里叶变换后数值范围非常大，maxF = 2.04e+05，minF = 0.009，再取对数将范围缩小。
3. 显示频谱图。

实现效果：

图3.1.5斜条纹频谱图

图3.1.6竖条纹频谱图

3.1.2彩色图像的fft变换

实现步骤：

1. 将彩色图像转换为三个矩阵：RGB彩色图像由红色、绿色和蓝色三个颜色通道构成，因此需要将彩色图像分别转换为三个矩阵，每个矩阵表示对应通道的灰度值。
2. 对每个矩阵进行二维FFT变换：对于每个矩阵，按照灰度图像的二维FFT变换步骤，先将矩阵进行零填充和一维FFT，然后再对结果进行行FFT和列FFT，最终得到频谱图像。
3. 合并三个频谱图像：将三个频谱图像按照RGB顺序合并，可以得到最终的彩色频谱图像。

实现效果截图：

图3.1.5 彩色图像fft变换效果截图

1. 1. 二维FIR滤波器的实现效果与对比

3.2.1加入噪声

实现步骤：

1. 读入原始图像
2. 使用imnoise函数分别给原始图像添加高斯噪声和椒盐噪声，并得到两个噪声图像。
3. 对两张噪声图像进行二维FFT变换，并将结果进行中心化。在这里，我们还将频域结果的幅度归一化到0到1的范围内。
4. 显示原始图像、添加噪声后的图像以及两张噪声图像的幅度谱。

实现效果截图：

图3.2.1 加入噪声后的图像空域及频域图

3.2.2均值滤波

实现步骤：

3*3算数均值滤波：

1. 定义一个3x3的方形窗口（也称核或模板），并将其放置在图像的任意一个像素位。
2. 将窗口中包含的9个像素的灰度值相加，得到一个总和，然后将总和除以9，得到这9个像素的平均值。
3. 将该平均值赋值给窗口中心位置的像素。
4. 将窗口沿着图像的每一行和每一列移动，直到覆盖完整个图像。

3*3几何均值滤波：

1. 定义一个MxN的方形窗口（其中M和N为奇数），并将其放置在图像的任意一个像素位置。
2. 将窗口中所有像素的灰度值取对数，然后将其相加。
3. 将上一步结果除以窗口中包含的像素数。
4. 将该结果取指数得到新的像素值。
5. 将该新的像素值赋值给窗口中心位置的像素。
6. 将窗口沿着图像的每一行和每一列移动，直到覆盖完整个图像。

实现效果截图：

图3.2.2对椒盐噪声图像均值滤波实现效果

图3.2.3对高斯噪声图像均值滤波实现效果

3.2.3高斯滤波

实现步骤：

高斯滤波的主要思想是对图像进行模糊处理，消除图像中的高频部分，从而去除噪声。具体步骤如下：

1. 定义一个MxN的高斯核，该核是一个二维的、钟形曲线状的函数，可以通过fspecial函数在MATLAB中创建。
2. 将高斯核应用于图像的每个像素点，通过加权平均计算出每个像素点的新值。每个像素点周围的像素点对当前像素点的权重由高斯核决定，距离当前像素点越远的像素点权重越小。
3. 重复步骤2，直到整张图像都被处理了。

实现效果：

图3.2.5图3.2.3对椒盐噪声图像高斯滤波实现效果

图3.2.6对高斯噪声图像高斯滤波实现效果

图3.27 对彩色图像的处理

3.2.4 sobel边缘检测滤波

实现步骤：

Sobel边缘检测滤波器的主要思想是通过计算图像中每个像素点的梯度来检测图像中的边缘。具体步骤如下：

1. 定义Sobel滤波核，包括一个3x3的水平方向核和一个3x3的垂直方向核。
2. 将水平方向核和垂直方向核分别应用于图像的每个像素点，计算出该像素点的 x 和 y 方向上的梯度值。
3. 通过求幅值（即 ）计算每个像素点的梯度大小，以及通过 计算每个像素点的梯度方向。其中，Gx表示水平方向上的梯度值，Gy​ 表示垂直方向上的梯度值。
4. 将计算得到的梯度大小作为边缘图像的像素值，可选地根据梯度方向进行非最大值抑制和双阈值处理来检测边缘。

实现效果：

图3.2.7 sobel边缘检测滤波器处理后的灰度图

图3.2.8 sobel边缘检测滤波器处理后的灰度频谱图

图3.2. 9彩色图像边缘检测后

3.3 降采样频谱混叠原因及解决办法

实现思路：

图3.3.1实现思路

实现步骤：

1. 对原始图像进行不同采样间隔的降采样
2. 得降采样后的灰度图像与频谱图，观察频谱混叠现象在空域与频域的体现
3. 对原始图像进行双线性插值方法超采样，再对其进行高斯低通滤波。
4. 对经过第三步处理的图像进行采样间隔相同的降采样
5. 得其采样后灰度图与频谱图
6. 观察步骤（2）、（5）所得灰度图与频谱图的不同，分析结论

实现效果：

图3.3.2 降采样后的灰度图像及其幅度谱（采样间隔为4）

图3.3.3 降采样后的彩色图像（采样间隔为4）

图3.3.4 经超采样与低通滤波后，再进行降采样的灰度图像及其频谱图（采样间隔为4）

图3.3.5 经超采样与滤波后，再进行降采样所得彩色图像（采样间隔为4）

四、结论

4.1图像的空间域信息与二维频谱信息之间的关系

图4.1.1 条纹灰度图像与频谱图

由图4.1.1可以分析得出：

1. 频谱图各点与原始图象个点不存在一一对应

2. 频率越低的频点越靠近频谱中心，随着频率增加远离中心（中心为低频，两端为高频）

3. 图像灰度变化方向体现在频谱图方向中

4. 频谱图的绘制规律是朝着梯度变化的方向改变的

4.2二维FIR滤波器的实现效果与对比

图4.2.1 加入椒盐噪声后的灰度图像与频谱图

图4.2.2均值滤波后灰度图与频谱图  

图4.2.3高斯滤波后灰度图与频谱图

均值滤波器：

对比图4.2.1与图4.2.2的灰度图像，可观察到，进行滤波前的图像有明显的黑白点的高频噪声，而滤波后的图像噪声点则变得平滑与模糊；

对比图4.2.1与图4.2.2的频谱图，可以观察到滤波后出现了四条黑线，这四条黑线在频谱图中表示高频分量，可见高频分量得到抑制，而频谱图中间的亮度却得到加强，可见低频分量增多。

由此得出结论，均值滤波器进行滤波会平均周围像素的灰度值来抑制噪声，滤波后的灰度图像中的椒盐噪声点会被周围像素的平均值所替代。均值滤波器为低通滤波器。

高斯滤波器：

对比4.2.1与图4.2.3的灰度图像可观察到，进行滤波前的图像有明显的黑白点的高频噪声，而滤波后的图像噪声点则变得平滑与模糊。

对比图4.2.1与图4.2.3的频谱图，可以观察到滤波后频谱图的四周亮度变暗，可见高频分量得到抑制，而频谱图中间的亮度却得到加强，可见低频分量增多。

高斯滤波器进行滤波可以通过对邻近像素进行加权平均来抑制噪声，根据距离像素的远近分配不同的权重。高斯滤波器为低通滤波器。

Sobel边缘检测滤波器：

由图4.2.4得，经过Sobel边缘检测滤波器后的图像，边缘部分呈现出高亮或者黑白对比明显的效果，而非边缘部分则变为了黑色，得到了图像的边缘特征。

由图4.2.5得，经过Sobel边缘检测滤波器后，频谱图四周变得更亮，而中心则相对变暗。可见在滤波后，频谱图中边缘相关的频率分量（高频分量）会被加强，而平滑区域（低频分量）则可能受到抑制。这种变化可以在频谱图上观察到高频分量的增强和边缘特征的更加明显。

Sobel边缘检测滤波器为高通滤波器。

4.3降采样频谱混叠的原因及解决办法

产生原因：当对细节丰富的图像进行降采样时，频谱混叠是一个常见的问题。频谱混叠指的是高频分量在降采样过程中被混合到低频区域，导致失真和模糊。频谱混叠的原因是由于对细节丰富的图像进行降采样时，导致高频成分超出了采样频率的一半（奈奎斯特频率），从而在重构图像时发生频谱混叠。具体地说，根据奈奎斯特采样定理，为了准确重构原始信号，采样频率必须大于信号中的最高频率的两倍。如果将采样频率设置得低于奈奎斯特频率，就会导致高频部分的信息被误认为低频成分，产生混叠。

对比图4.3.1与图4.3.2，降采样后频谱图相较降采样前发生了明显失真，可见发生频谱混叠；对比图4.3.3与图4.3.4，降采样后彩色图像相较降采样前也发生了明显失真，可见发生频谱混叠。

解决办法：为了避免频谱混叠，可以使用超采样（也称为插值）与滤波的方法（原理：频率混叠是信号采样过程中的一个问题，导致高频成分被错误地显示成低频成分。通过超采样，在频域上将高频成分扩展到更高的频率范围，然后再通过滤波去除高频部分，可以有效避免频率混叠现象的发生。

图4.3.5 经超采样与高斯滤波后，再进行降采样所得彩色图像与频谱图

将图4.3.5与原始图像和直接进行降采样的图像进行对比，可见与原始图像及其频谱图很接近了，不再发生明显失真。所以经超采样与高斯滤波后再进行降采样，是解决因降采样产生频谱混叠的有效方法。

五、致谢

本次课程设计在选题方面我们受到了齐老师的很大的启发。老师在我们上机做实验时，细心的为我们了讲解信号和图像领域一些相关联的知识，比如信号的高频成分和低频成分，在图像方面高频和低频的表现是怎样的，图像领域和信号领域的相似的地方和差异的地方，我们小组成员对图像领域的频谱信号产生了浓厚的兴趣，想通过这次大作业去了解二维图像的频谱信号和我们所学到的一维频谱之间的联系和差异。同时老师严谨认真，踏实负责的教学态度让我们更加有底气和有信心去完成这次大作业。同时我还要感谢我的小组成员和同学，我组成员都为了课题付出了很多的努力，各自在分工的领域查阅资料汇总讨论，而成果也是明显的，在小组成员的团结一致下我们对于各种滤波器的特性原理以及MATLAB的使用和相关拓展都有了切实的体会，帮助我们每一个人拓展了能力和视野。课程设计虽然是一件小小的事情，但是在这件事情上我却看到了学院和老师对培养我们的努力和决心。

最后，再次由衷感谢所有帮助过我组的老师和同学！

六、参考文献

[1] 冈萨雷斯，理查德·C.；伍兹，里查德·E.《数字图像处理（第三版）》。新华出版社，2005年。

[2] 贾恩，阿尼什·K. 《数字图像处理基础》。电子工业出版社，2013年。

[3] 普拉特，威廉·K. 《数字图像处理（第二版）》。电子工业出版社，2000年。

[4] 杨洁，Wright, J.；黄塘，T.；马晓明，《基于稀疏表示的图像超分辨率恢复方法》，计算机学报，2010年11月，33卷（11）：2027-2051。

[5] 刘晓娇；许宗国；张磊，《一种基于分块混沌映射的图像加密方案》，Optik - International Journal for Light and Electron Optics，2014年7月， 125(7)：1905-1910