傅里叶变换、离散余弦变换、频域滤波

已于 2024-02-11 16:40:33 修改
阅读量942 收藏 17
点赞数 13
文章标签： 计算机视觉 人工智能
于 2024-02-11 16:35:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_71334725/article/details/136096278
版权

一、使用函数fft2，fftshift，ifft2实现一幅灰度图像（lena.bmp）从空域变换到频域，再变换到空域。

核心代码：

matlab代码 

%使用函数fft2，fftshift，ifft2实现一幅灰度图像（lena.bmp）从空域变换到频域，再变换到空域。
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
grayI=rgb2gray(Image);%将图片转化成灰度图
DFTI1=fft2(grayI);%对灰度图像进行离散傅里叶变换
DFTI2=fftshift(DFTI1);
IDFTI1=uint8(abs(ifft2(ifftshift(DFTI2))));

% %构造原频谱图，因为离散傅里叶变换生成的频谱图不好看
% ADFTI1=abs(DFTI1);%取绝对值
% top=max(ADFTI1(:));%取最大值
% bottom=min(ADFTI1(:));%取最小值
% ADFTI1=(ADFTI1-bottom)/(top-bottom)*100;%先映射到0-1，再乘以100实现映射到0-100
% 
% ADFTI2=fftshift(ADFTI1);%对归一化处理以后的频谱图进行中心化，形成中心化频谱图
% 
% IADFTI1=uint8(abs(ifft2(ifftshift(ADFTI2))));

subplot(2,2,1),imshow(Image);title('原图');
subplot(2,2,2),imshow(DFTI1),title('原频谱图');
subplot(2,2,3),imshow(DFTI2),title('中心化频谱图');
subplot(2,2,4),imshow(IDFTI1);title('频域->空域');

运行结果：

实验中没有对频域进行归一化，因为归一化的频域逆变换之后得不到原图。

二、理想低通滤波、理想高通滤波、巴特沃斯低通滤波、巴特沃斯高通滤波、高斯低通滤波、高斯高通滤波

%自编函数hpfilter（），lpfilter（）实现理想低通（高通）滤波器、巴特沃斯低通
%（高通）滤波器、高斯低通（高通）滤波器实现对lena.bmp进行低通和高通滤波处理,
%并对实验结果进行分析。
%理想低通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
grayI=rgb2gray(Image);
DFTI=fftshift(fft2(double(grayI)));
subplot(2,3,1);imshow(grayI);title('原图');
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
d0=[5,11,45,68];
for i=1:4
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            if d<=d0(i)
                h=1;
            else
                h=0;
            end
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,3,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,3,i+2);imshow(g);title(['理想低通滤波D0= ',num2str(d0(i))]);
end

%理想高通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
grayI=rgb2gray(Image);
DFTI=fftshift(fft2(double(grayI)));
subplot(2,3,1);imshow(grayI);title('原图');
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
d0=[5,11,45,68];
for i=1:4
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            if d<=d0(i)
                h=0;
            else
                h=1;
            end
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,3,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,3,i+2);imshow(g);title(['理想低通滤波D0= ',num2str(d0(i))]);
end

%巴特沃斯低通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
Image=imnoise(Image,'gaussian');
DFTI=fftshift(fft2(double(Image)));
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
D0=30;
n=[1,2,3,4];
subplot(2,3,1);imshow(Image);title('高斯噪声图像');
for i=1:4
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            h=1/(1+(d/D0)^(2*n(i)));
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,3,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,3,i+2);imshow(g);title(['n=',num2str(n(i)),',D0=30']);
end
    
%巴特沃斯高通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
Image=imnoise(Image,'gaussian');
DFTI=fftshift(fft2(double(Image)));
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
D0=30;
n=[1,2,3,4];
subplot(2,3,1);imshow(Image);title('高斯噪声图像');
for i=1:4
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            h=1/(1+(d/D0)^(2*n(i)));
            h=1-h;
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,3,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,3,i+2);imshow(g);title(['n=',num2str(n(i)),',D0=30']);
end

%高斯低通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
Image=imnoise(Image,'gaussian');
DFTI=fftshift(fft2(double(Image)));
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
D0=[20,40];
subplot(2,2,1);imshow(Image);title('高斯噪声图像');
for i=1:2
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            h=exp(-0.5*(d/D0(i))^2);
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,2,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,2,i+2);imshow(g);title(['n=2,D0=',num2str(D0(i))]);
end

%高斯高通滤波器
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
Image=imnoise(Image,'gaussian');
DFTI=fftshift(fft2(double(Image)));
[N,M]=size(DFTI);
r1=floor(N/2);
r2=floor(M/2);
D0=[20,40];
subplot(2,2,1);imshow(Image);title('高斯噪声图像');
for i=1:2
    g=zeros(N,M);
    for x=1:N
        for y=1:M
            d=sqrt((x-r1)^2+(y-r2)^2);
            h=exp(-0.5*(d/D0(i))^2);
            h=1-h;
            g(x,y)=h*DFTI(x,y);
        end
    end
    if i==1
        subplot(2,2,2);imshow(g);title('傅里叶频谱');
    end
    g=uint8(real(ifft2(ifftshift(g))));
    subplot(2,2,i+2);imshow(g);title(['n=2,D0=',num2str(D0(i))]);
end

 运行结果及分析

2.1 理想低通滤波

核心代码：

分别对频域信息进行半径等于5、11、45、68的低通滤波

实验结果：

随着半径逐渐增大，低通滤波图片的清晰度也逐渐变高，这是因为半径越大，就可以保留更多的边缘、细节、纹理等信息，图片也就越来越清晰。

2.2 理想高通滤波

核心代码：

分别对频域信息进行半径等于5、11、45、68的低通滤波

实验结果：

可以看到，高频信息保留的是图片的边缘、细节、纹理等信息，且随着半径的增大，高频信息越来越少，能保留的边缘、细节、纹理等信息也越来越少。

2.3 巴特沃斯低通滤波器

核心代码：

对频域信息进行n=1、2、3、4的低通滤波，n越大，越近似于理想低通滤波。

实验结果：

可以看到，噪声被有效去除，但图像也变得越来越模糊，并且随着阶数n的增加，图像的振铃效应也越来越明显。因为随着n逐渐增大，巴特沃斯滤波的滤波函数越趋近于理想低通滤波函数。

2.4 巴特沃斯高通滤波器

核心代码：

对频域信息进行n=1、2、3、4的低通滤波，n越大，越近似于理想高通滤波。

实验结果：

随着n逐渐增大，频域保留的高频信息越来越少。

2.5 高斯低通滤波

核心代码：

实验结果：

可以看到，高斯低通滤波去除了噪声，但是当D0比较小时，图片会比较模糊。

2.6 高斯高通滤波

核心代码：

实验结果：

可以看到，当D0=20时，可以保留更多的高频信息。

三、傅里叶变换置不同区域系数为0，观察图像输出效果

%打开一幅图像，对其进行DFT变换，并置其不同区域内的系数为零，进行IDFT，观察其输出效果。
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
DFTI=fftshift(fft2(double(Image)));
subplot(3,3,1);imshow(Image);title('原图');
subplot(3,3,2);imshow(DFTI);title('傅里叶频谱');
[N,M]=size(Image);
r1=floor(N/2);
r2=floor(M/2);

%置左上角的值为0
DFTI1=DFTI;
DFTI1(1:r1,1:r2)=0;
IDFT1=uint8(real(ifft2(ifftshift(DFTI1))));
subplot(3,3,3);imshow(IDFT1);title('左上角置0');

%置左下角的值为0
DFTI2=DFTI;
DFTI2(r1:N,1:r2)=0;
IDFT2=uint8(real(ifft2(ifftshift(DFTI2))));
subplot(3,3,4);imshow(IDFT2);title('左下角置0');

%置右上角的值为0
DFTI3=DFTI;
DFTI3(1:r1,r2:M)=0;
IDFT3=uint8(real(ifft2(ifftshift(DFTI3))));
subplot(3,3,5);imshow(IDFT3);title('右上角置0');

%置右下角的值为0
DFTI4=DFTI;
DFTI4(r1:N,r2:M)=0;
IDFT4=uint8(real(ifft2(ifftshift(DFTI4))));
subplot(3,3,6);imshow(IDFT4);title('右下角置0');

%置中心的值为0
DFTI5=DFTI;
DFTI5(r1-floor(r1/2):r1+floor(r1/2),r2-floor(r2/2):r2+floor(r2/2))=0;
IDFT5=uint8(real(ifft2(ifftshift(DFTI5))));
subplot(3,3,7);imshow(IDFT5);title('中心置0');

运行结果及分析

以频域的几何中心为准，将频域分成左上角、左下角、右上角、右下角、中心。一共5个区域。分别置每个区域的系数为0，IDFT变换之后查看的图片的效果。

实验结果：

可以看到，不同的区域置0，IDFT变换之后得到的图片是不一样的。

　

从Lena的脸可以看出，图片的几何特征发生了变换。亮度也有区别。

右下角和中心置0则去除了低频信息，结果图片只有原图的边缘、细节、纹理等信息。

四、离散余弦变换置不同区域系数为0，观察图像输出效果

%打开一幅图像，对其进行DCT变换，并置其不同区域内的系数为零，进行IDCT，观察其输出效果。
Image=imread('D:\课程\数字图像处理\实验\image\lena.jpg');
Image=rgb2gray(Image);
DCTI=dct2(Image);
subplot(2,3,1);imshow(Image);title('原图');
subplot(2,3,2);imshow(DCTI);title('DCT频谱');
[N,M]=size(DCTI);
DCTI_low=zeros(N,M);
DCTI_center=zeros(N,M);
DCTI_high=zeros(N,M);
cf=60;
for x=1:N
    for y=1:M
        if(y<M-cf && x<(-N/M)*y+N-cf)
            DCTI_low(x,y)=0;
            DCTI_center(x,y)=DCTI(x,y);
            DCTI_high(x,y)=DCTI(x,y);
        elseif(y>M-cf&&x>(-N/M)*y+2*N-cf)
            DCTI_low(x,y)=DCTI(x,y);
            DCTI_center(x,y)=DCTI(x,y);
            DCTI_high(x,y)=0;
        else
            DCTI_low(x,y)=DCTI(x,y);
            DCTI_center(x,y)=0;
            DCTI_high(x,y)=DCTI(x,y);
        end
    end
end

%低频系数置为0
IDCTI_low=uint8(abs(idct2(DCTI_low)));

%中频系数置为0
IDCTI_center=uint8(abs(idct2(DCTI_center)));

%高频系数置为0
IDCTI_high=uint8(abs(idct2(DCTI_high)));

subplot(2,3,3);imshow(IDCTI_low);title('低频系数置为0');
subplot(2,3,4);imshow(IDCTI_center);title('中频系数置为0');
subplot(2,3,5);imshow(IDCTI_high);title('高频系数置为0');

运行结果及分析

将频域分成低频、中频、高频。分别将低频系数、中频系数、高频系数置0，进行IDCT变换，查看结果图片。

实验结果：

可以看到，低频系数置0，结果图片只保留原图的边缘、细节、纹理等信息。而中频系数和高频系数置0，图片只是丢掉一些边缘、细节、纹理等信息，并不影响图片的可视化质量。但是中频系数置0和高频系数置0还是有区别：

　

可以看到中频系数置0得到图片会比高频系数置0得到的图片更模糊。

m0_71334725
关注
  • 13
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
快速傅里叶变换fft和离散余弦变换dct
07-16
快速傅里叶变换fft和离散余弦变换dct的代码，在文档里哦！
离散傅里叶变换、离散余弦变换
qq_35674193的博客
07-04 121
介绍的很通俗，推荐。
DFT的matlab源代码-DFT-and-frequency-filtering:DFT和频率滤波
05-26
DFT的matlab源代码数字图像处理 DFT： 用于计算正向傅立叶变换，逆傅立叶变换，离散余弦变换和傅立叶变换幅度的代码。 输入是大小为15X15的2D矩阵。 DFT / DFT.py文件具有函数“ forward_transform”，“ inverse_transform”，“ discrete_cosine_tranform”和“ magnitude” 我已经为所有计算实现了自己的代码，没有使用numpy，opencv或其他库中的内置函数，例如“ fft”或“ dft” 用法：python dip_hw3_dft.py 该部分没有输出图像或文件。 一切都被打印出来。 频率滤波： 通过使用不同的蒙版修改图像的DFT，对频域中的图像滤波进行编码。 使用六个不同的滤镜对图像进行滤镜：理想低通（ideal_l），理想高通（ideal_h），巴特沃思低通（butterworth_l），巴特沃思高通（butterworth_h），高斯低通（gaussian_l）和高斯高通滤镜（gaussian_h）。 程序的输入是图像，蒙版名称，截止频率和顺序（仅对Butterworth过滤器有效）。 D
基于相位恢复的傅里叶变换全息图像数字水印
02-10
提出了一种新的基于信息光学的图像数字水印方法。该方法采用相位恢复算法将需要隐藏的水印图像编码为纯相位,然后用该纯相位代替传统傅里叶变换全息中的物光波频谱与参考光波发生干涉,得到理论对比度为100%的傅里叶变换全息图。采用密钥将此全息图进行加密,并通过离散余弦变换在频域嵌入宿主图像中完成水印信息的嵌入。水印提取时需先用密钥将提取的全息图进行解密,再进行光学或数字全息再现即可完成。理论分析和数值计算实验表明,该水印技术对有损压缩、剪切和滤波等多种图像处理操作均具有很高的稳健性,比传统傅里叶变换全息水印的稳健性有很大提高,具有很好的实用价值。
lfx.rar_噪声图像复原_图像卷积频域_巴特沃斯 C_离散余弦变换_维诺图
07-15
利用Visual C++编程技术实现数字图像处理图像的各种基本技术，主要包括以下几点： 1、BMP格式图象的显示：直接显示和打点显示。 2、几何变换：平移，旋转，镜象变换，转置，缩放。 3、正交变换：包括傅立叶变换、沃尔什变换、离散余弦变换和离散余弦反变 换等。 4、图象增强：包括空域增强（直接灰度变换、直方图处理、图像平滑，均值滤波，拉普拉锐化等）和频域增强（理想低通、巴特沃斯低通滤波）和伪彩色增强。 5、图象复原：卷积模糊、卷积模糊+噪声、椒盐噪声、随机噪声、逆滤波复原、维纳滤波复原。 6、图像分割：边缘检测和阈值分割。 7、图象编码：哈夫曼编码，香农费诺编码。
傅里叶变换、离散余弦变换、拉普拉斯变换、Z变换
yh13572438258的博客
02-16 5819
图像的变换 正弦波的振幅 A 、 频率和相位 φ 拉普拉斯变换是工程数学中常用的一种积分变换，又名拉氏变换。 [1] 拉氏变换是一个线性变换，可将一个有参数实数t（t≥ 0）的函数转换为一个参数为复数...
离散余弦变换滤波算法（DCT）
weixin_45355387的博客
04-07 9606
离散余弦变换，本质上是一种数学方法。它与傅立叶变换，小波变换，轮廓波变换，这些变换本质都是一种基变换，对于不同的系统，不同的研究对象，我们可以选取不同的基来让研究和分析变得更加简单。比如因为复指数信号是线性时不变系统的特征函数，因此我们在研究线性时不变系统及其特性时通常采用傅立叶变换，选取了一组好的基，可以让问题变得简单，比如我们的现在机器学习里很多的降维算法，像PCA，K-L变换也是基变换，对于一些基可能会出现很多很小的系数，或者是零系数，这要用这组基去表示这一信号或者向量时也就更加的简洁，而越是简洁就越
离散傅里叶变换DFT、离散余弦变换DCT、离散正弦变换DST，原理与公式推导
热门推荐
生活就像海洋
10-31 1万+
离散傅里叶变换、离散余弦变换、离散正弦变换的原理与公式推导。（图片版）
【matlab 图像处理】离散傅里叶变换&离散余弦变换&K-L变换&小波变换
weixin_52762273的博客
05-05 9689
【matlab 图像处理】离散傅里叶变换&离散余弦变换&K-L变换&小波变换 正交变换是信号处理的一种有效工具。图像信号不仅可以在空间域表示,也可以在频域表示,后者将有利于许多问题的分析及讨论。对图像进行正交变换,在图像增强、图像复原、图像特征提取、图像编码等处理中都经常采用。常用的正交变换有多种,主要有离散傅里叶变换、离散余弦变换、K-L变换,Radon变换和离散小波变换等。 离散傅里叶变换 离散傅里叶变换(Discrete Fourier Transform,DFT)是直接处理离
离散余弦变换和离散傅里叶变换
qq_46173805的博客
06-23 1622
DCT（离散余弦变换）：DCT（离散余弦变换）：DCT（离散余弦变换）： X[u,m]=∑u=0N−1∑m=0N−1x[u,m]∗c[u,m]X[u,m]=\sum\limits_{u=0}^{N-1}\sum\limits_{m=0}^{N-1}x[u,m]*c[u,m]X[u,m]=u=0∑N−1​m=0∑N−1​x[u,m]∗c[u,m] 其中，其中，其中， c[u,m]={1N，u=02Ncos((2∗m+1)uπ2N),u!=0c[u,m]=\left\{\begin{matrix}\sqrt{\
图像变换之傅里叶_离散余弦变换.ppt
12-20
该PPT介绍了图像变换领域中的两个基础的变换, 傅里叶变换和离散余弦变换. 涉及内容包括一维傅里叶变换, 二维离散傅里叶变换, 二维离散傅里叶变换的性质, 快速傅里叶变换, 傅里叶变换在图像处理中的应用; 离散余弦变换的原理, 离散余弦变换的应用.
matlab数字图像处理报告
06-27
5、数字图像的变换(实现其中任意两种)：普通傅立叶变换(ft)与逆变换（ift）、快速傅立叶变换（fft）与逆变换(ifft)、离散余弦变换（DCT），小波变换等。 6、二值图像处理：膨胀、腐蚀、开运算与闭运算。
数字图像课程设计报告
06-27
5、数字图像的变换(实现其中任意两种)：普通傅立叶变换(ft)与逆变换（ift）、快速傅立叶变换（fft）与逆变换(ifft)、离散余弦变换（DCT），小波变换等。 6、二值图像处理：膨胀、腐蚀、开运算与闭运算。
第六章 离散余弦变换
weixin_45965693的博客
02-18 304
Python数字信号处理应用第六章 学习笔记
频域滤波—离散余弦变换
白水的博客
07-28 3736
离散余弦变换DCT傅里叶变换的参数是复数，在数据的描述上相当于实数的两倍，若仅用实函数对称延拓成一个实偶函数，则其傅里叶变换也为实偶函数且仅包含余弦项，连续函数和离散函数的余弦变换都是基于这个原理。离散余弦变换是傅里叶变换的一个简化，本质上仍然是傅里叶变换，常常用在数据压缩中。一维离散余弦变换给定实信号序列{f(x)∣x=0,1,...,N−1}\{f(x) | x=0,1,...,N-1\...
XILINX FPGA数字信号处理——7、离散余弦变换原理及信号频谱分析实现
weixin_45878159的博客
05-20 375
离散余弦变换（Discrete Cosine Transform,DCT）类似傅里叶变换，但是只使用实数，相当于一个长度大概是其两倍的连阿傅里叶变换
DFT（离散傅里叶变换）和DCT（离散余弦变换）区别和联系
yh13572438258的博客
12-27 8757
DTFT是离散时间傅里叶变换，用来表达连续的信号的频谱。DFT是离散傅里叶变换，针对的是离散的信号和频谱。DFT是DTFT变化而来，其实就是将连续时间t变成了nT. 计算机是在数字环境下工作的，它不可能看见或者处理现实中连续的信号，只能够进行离散计算，在真实性上尽可能地逼近连续信号。所以DFT是为了我们能够去用工具分析信号而创造出来的，通常我们直接用DTFT的机会很少。DCT是DFT的一种形式。所谓“余弦变换”，是在DTFT傅立叶级数展开式中，如果被展开的函数是实偶函数，那么其傅立叶级数中只包含余弦项，再将
深入探索计算机视觉：高级主题与前沿应用的全面解析
最新发布
极客代码
04-26 684
计算机视觉作为人工智能领域的一个重要分支，已经在许多领域取得了显著的进展。通过深入学习特征提取、图像分类、目标跟踪和场景理解等高级主题，我们不仅能够更好地理解计算机视觉的技术原理，还能够探索其在现实世界中的广泛应用。随着技术的不断发展，相信计算机视觉将会在更多的领域发挥出巨大的潜力，为人类带来更便捷、更安全、更智能的生活。计算机视觉的发展让我们能够构建出越来越智能的视觉系统，这些系统不仅能够“看”懂世界，还能够帮助我们更好地理解和解释周围的环境。
基于matlab的数字图像处理傅里叶变换，余弦变换实验小结及分析
09-08
### 回答1： 数字图像处理中，傅里叶变换和余弦变换是两个常用的频域处理方法，可以用于图像去噪、增强、压缩等方面。下面是基于MATLAB的数字图像处理傅里叶变换和余弦变换实验小结及分析： 1. 傅里叶变换实验 傅里叶变换可以将图像从时域转换到频域，分析图像中的频率成分，可以用于图像去噪、增强等方面。在MATLAB中，可以使用fft2函数进行二维离散傅里叶变换，ifft2函数进行反变换。 （1）实验目的：学习傅里叶变换的原理及应用，了解二维傅里叶变换的实现方法。 （2）实验步骤： - 读取一张灰度图像，使用imshow函数显示图像； - 对图像进行二维离散傅里叶变换，使用abs函数获取变换后的幅值谱，使用log函数进行对数变换，使用mat2gray函数将图像变换到0-1之间的范围； - 对幅值谱进行中心化，使用fftshift函数； - 对中心化后的幅值谱进行逆变换，使用ifft2函数，使用uint8函数将图像转换为8位无符号整数； - 使用subplot函数将原始图像、幅值谱、逆变换后的图像显示在同一幅图像中。 （3）实验结果分析： 通过对图像的傅里叶变换，可以将图像从时域转换到频域，分析图像中的频率成分。实验结果表明，傅里叶变换后的幅值谱中，高频部分对应着图像的细节信息，低频部分对应着图像的整体信息。通过中心化幅值谱，可以将频谱的零频分量移到中心位置，方便进行分析和处理。通过逆变换，可以将幅值谱转换为时域图像，并进行图像去噪、增强等应用。 2. 余弦变换实验 余弦变换是一种常用的频域变换方法，可以将图像从空间域转换到频域，分析图像的频率成分，实现图像的压缩、去噪、增强等功能。在MATLAB中，可以使用dct2函数进行二维离散余弦变换，idct2函数进行反变换。 （1）实验目的：学习余弦变换的原理及应用，了解二维离散余弦变换的实现方法。 （2）实验步骤： - 读取一张灰度图像，使用imshow函数显示图像； - 对图像进行二维离散余弦变换，使用abs函数获取变换后的幅值谱，使用log函数进行对数变换，使用mat2gray函数将图像变换到0-1之间的范围； - 对幅值谱进行中心化，使用fftshift函数； - 对中心化后的幅值谱进行逆变换，使用idct2函数，使用uint8函数将图像转换为8位无符号整数； - 使用subplot函数将原始图像、幅值谱、逆变换后的图像显示在同一幅图像中。 （3）实验结果分析： 通过对图像的余弦变换，可以将图像从空间域转换到频域，分析图像中的频率成分。实验结果表明，余弦变换后的幅值谱中，高频部分对应着图像的细节信息，低频部分对应着图像的整体信息。通过中心化幅值谱，可以将频谱的零频分量移到中心位置，方便进行分析和处理。通过逆变换，可以将幅值谱转换为时域图像，并进行图像压缩、去噪、增强等应用。 综上所述，傅里叶变换和余弦变换是数字图像处理中常用的频域处理方法，可以用于图像去噪、增强、压缩等方面。在MATLAB中，可以使用fft2、ifft2、dct2、idct2等函数进行变换和反变换，通过对变换后的幅值谱进行分析和处理，可以实现图像的相应功能。 ### 回答2： 数字图像处理是一门研究如何对数字图像进行处理和分析的学科。傅里叶变换和余弦变换是数字图像处理中常用的两种变换技术。本次实验是基于MATLAB对数字图像进行傅里叶变换和余弦变换的实验。 在实验中，我们首先将原始图像加载到MATLAB中，并进行预处理，例如灰度化、去噪等。然后，我们使用MATLAB提供的函数进行傅里叶变换和余弦变换。傅里叶变换将图像从时域转换到频域，可以分析图像中的频率成分，从而进行频域滤波、频谱分析等操作。余弦变换可以将图像分解为一系列余弦基函数的加权和，从而提取图像的频谱特征。 通过实验，我们发现傅里叶变换在图像频率分析和滤波等方面具有重要的作用。通过对傅里叶变换结果的观察，我们可以了解图像中的低频分量和高频分量，并相应地进行处理。傅里叶变换还可以用于图像压缩和图像增强等应用。 而余弦变换则适用于一些特定的图像处理任务，尤其是对于包含周期相关特征的图像。余弦变换能够将图像分解为一系列余弦基函数，每个基函数代表了图像中不同频率的振幅和相位信息。通过对余弦变换结果的分析，我们可以提取图像中的周期性信息，并进行相应的处理。 总之，傅里叶变换和余弦变换是数字图像处理中常用的两种变换方法，具有广泛的应用。通过实验，我们深入了解了它们的原理和使用方式，为将来在图像处理领域的实际应用打下了基础。我们还发现这两种变换方法在图像处理中互为补充，可以分别用于不同的图像处理任务，提高图像的质量和效果。 ### 回答3： 数字图像处理中，傅里叶变换和余弦变换是常用的频域处理方法。本次实验基于matlab进行了傅里叶变换和余弦变换的实验，以下是小结和分析。 首先进行了傅里叶变换的实验。傅里叶变换可以将图像从空域转换到频域，可以分析图像的频率成分。在实验中，我们首先读取了一张图像，然后使用matlab中的fft函数进行傅里叶变换。通过查看变换后的结果，我们可以观察到不同频率的成分。在具体分析时，我们可以使用低通滤波器通过保留低频信号来消除噪声，也可以使用高通滤波器通过保留高频信号来强调图像的细节。 其次进行了余弦变换的实验。余弦变换是一种针对实数信号的变换方法，可以将图像从空域转换到相关域。在实验中，我们同样读取了一张图像，然后使用matlab中的dct函数进行余弦变换。通过观察变换后的结果，我们可以发现余弦变换主要用于图像压缩。变换后的结果可以通过截取一部分系数来降低图像的质量，从而实现图像的压缩存储。 对于傅里叶变换和余弦变换的实验，我们可以得出以下结论。傅里叶变换适用于分析图像的频率成分，可以用于滤波和图像增强。而余弦变换主要用于图像的压缩，在保证一定图像质量的前提下，减小图像的存储空间。在实际应用中，傅里叶变换和余弦变换通常结合其他图像处理方法一起使用，以达到更好的效果。 此外，我们还可以进一步探索更多的图像处理方法，比如小波变换和离散余弦变换。这些方法可以进一步改善图像处理的效果，并且在不同的应用场景下有着不同的优势和适用性。 总之，基于matlab的傅里叶变换和余弦变换实验为我们提供了一种有效的图像处理方法，可以分析图像的频率成分和进行图像压缩。熟练掌握这些方法，对于数字图像处理的学习和应用具有重要的意义。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值