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1.1k 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
Python 实现图像快速傅里叶变换和离散余弦变换！
爬遍所有网站
07-20 955
图像的正交变换在数字图像的处理与分析中起着很重要的作用，被广泛应用于图像增强、去噪、压缩编码等众多领域。本文手工实现了二维离散傅里叶变换和二维离散余弦变换算法，并在多个图像样本上进行测试，以探究二者的变换效果。 1. 傅里叶变换 实验原理 对一幅图像进行离散傅里叶变换（DFT），可以得到图像信号的傅里叶频谱。二维 DFT 的变换及逆变换公式如下： DFT 尽管解决了频域离散化的问题，但运算量太大。从公式中可以看到，有两个嵌套的求和符号，显然直接计算的复杂度为\(O(n^2)\)。...
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！
频域滤波—离散余弦变换
白水的博客
07-28 3926
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\...
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 6428
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...
傅里叶变换和离散余弦变换_具有线性变换余弦的实时线和磁盘光阴影
culiao6493的博客
09-07 170
傅里叶变换和离散余弦变换Eric Heitz (Unity Technologies) and Stephen Hill (Lucasfilm) 埃里克·海茨(Unity Technologies)和斯蒂芬·希尔(Lucasfilm) ACM SIGGRAPH Courses 2017 ACM SIGGRAPH课程2017 抽象 (Abstract) We recently introdu...
傅里叶级数、傅里叶变换、小波变换、离散余弦变换的理解
最新发布
zhanghongbin159的博客
01-04 1568
首先要有个先验知识就是正弦、余弦函数可以看成无限维的向量，并且两个向量的内积为0，即正弦余弦函数是正交的。每个正交向量就是：{1,0,0}，{0，cos(2pi n/T。而傅里叶变换就是求出当周期无穷大时，对应的这个连续的频域图曲线。，调整正弦、余弦函数前面的系数（振幅）就可以慢慢逼近原函数了。功能：能把任意周期性函数展开成一系列正弦、余弦函数的和。比如下图的一个函数能够被一系列周期为2。例如：其中c1，c2是坐标。F(w)就是频域曲线。加加减减后周期仍是2。
图像变换之傅里叶_离散余弦变换.ppt
12-20
总的来说，傅里叶变换和离散余弦变换是图像处理中不可或缺的工具，它们不仅帮助我们理解图像的内在结构，而且在图像滤波、压缩和分析等方面发挥着重要作用。通过深入理解和熟练运用这些变换，我们可以设计出更加高效...
zhengjiaobianhuan.rar_傅立叶变换_图像 傅立叶变换_正交变换_沃尔什变换_离散余弦变换
09-23
本程序集中了三种主要的正交变换方法：傅立叶变换、离散余弦变换（DCT）以及沃尔什变换。这些变换在信号处理和图像分析中有各自的优点和应用领域。 傅立叶变换是一种数学工具，能够将一个函数或信号分解为一系列...
正交变换 一维傅立叶变换 二维离散余弦变换 沃尔什变换.rar
09-12
本文将详细探讨标题中的四个关键概念：正交变换、一维傅立叶变换、二维离散余弦变换以及沃尔什变换，并结合VS2017这一编程环境，讲解它们的应用及实现。 首先，**正交变换** 是一类特殊的线性变换，它保持了向量间...
图像处理中的傅里叶变换与离散余弦变换_tuxiangchuli_
10-01
在图像处理领域，傅里叶变换（Fourier Transform）和离散余弦变换（Discrete Cosine Transform, DCT）是两种重要的分析和处理图像的方法。它们被广泛应用于图像压缩、图像增强、噪声滤波等多个方面。下面我们将深入...
图像的正交变换源码 傅里叶变换 离散余弦变换 沃尔什变换
03-20
本文将深入探讨四种常见的正交变换：傅里叶变换、离散余弦变换（DCT）、沃尔什变换，以及它们在图像处理中的应用。 首先，傅里叶变换是数学中的一个基本工具，它将信号或图像从时域或空域转换到频域。在图像处理中...
数字图像处理实验（二）|图像变换{离散傅里叶变换fft2，离散余弦变换dct2、频谱平移fftshift}（附实验代码和截图）
一个电子信息嵌入式的学习笔记
12-06 3807
数字图像处理实验（二）|图像变换
【深度好文】二维图像离散余弦变换
sgzqc的专栏
07-28 5138
1.引言 上节分享了二维图像离散傅里叶变换，本节来继续讲频域空间的另一种变换–二维离散余弦变换（Discrete Cosine Transform，DCT）。从运算方式上来讲，离散傅里叶变换计算的对象为复数，但离散余弦变换的对象为实数。虽然离散余弦变换没有离散傅里叶变换的功能强大，但是离散余弦变换的计算速度要比对象为复数的离散傅里叶变换快得多，并且已经被广泛应用到图像压缩编码、语音信号处理等众多领域。 2.计算公式 一般来说，二维离散余弦变换的定义由如下公式表示： 相应的，二维离散余弦逆变换的定义由如下公
离散余弦变换 傅里叶变换_具有线性变换余弦的线性光阴影
culiao6493的博客
09-09 192
Eric Heitz (Unity Technologies) and Stephen Hill (Lucasfilm) 埃里克·海茨(Unity Technologies)和斯蒂芬·希尔(Lucasfilm) Book chapter inGPU Zen 《 GPU Zen中的书》一章 抽象 (Abstract) We recently introduced a new real-t...
离散余弦变换和离散傅里叶变换
qq_46173805的博客
06-23 1770
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{\
第七章 离散傅里叶变换
weixin_45965693的博客
02-21 606
Python数字信号处理应用第七章 学习笔记
离散余弦变换滤波算法（DCT）
weixin_45355387的博客
04-07 1万+
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
离散余弦变换
LC900730的博客
10-19 2891
离散余弦变换余弦变换是图像频域变换的一种，实际上是一种空间域的低通滤波器。将图像从色彩域转换到频率域的常用方法还有傅里叶变换和沃尔什变换等。余弦变换也可以看做是傅里叶变换的一种特殊情况。在傅里叶级数展开中，如果被展开的函数是实偶函数，那么其傅里叶级数中只包含余弦项，在将其离散化，由此可以导出余弦变换，或称为离散余弦变换。(DCT)。其与离散傅里叶变换某种程度上类似，但是它只使用实数部分。傅里叶计算的
matlab fft2与fftshift区别
热门推荐
mengzhizhizhi的博客
10-19 1万+
fft是一维的傅里叶变换，是将时域信号转换为频域信号的； fftshift是这针对频域信号的，将fft的DC分量移到频谱中心区。
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