图形图像处理技术【复习笔记】

最新推荐文章于 2024-04-24 14:24:35 发布

疯子范儿

最新推荐文章于 2024-04-24 14:24:35 发布

阅读量981

点赞数

分类专栏：课程学习文章标签：图像处理笔记计算机视觉

本文链接：https://blog.csdn.net/max_and_caroline/article/details/131348432

版权

课程学习专栏收录该内容

9 篇文章 0 订阅

订阅专栏

个人复习笔记，如有错误欢迎批评指正

第三章图像变换

图像变换的目的：

①使图像处理问题简化
②有利于图像特征提取
③有利于从概念上增强对图像信息的理解

图像变换通常是一种二维正交变换。一般要求：

①正交变换必须是可逆的；
②正变换和反变换的算法不能太复杂；
③正交变换的特点是在变换域中图像能量将集中分布在低频率成分上，边缘、线状信息反映在高频率成分上，有利于图像处理

在这里插入图片描述

【1】傅里叶变换

1、理论基础
【线性系统】对于某特定系统，有：
x1(t)——>y1(t)
x2(t)——>y2(t)
该系统是线性的当且仅当：
x1(t) + x2(t)——>y1(t) + y2(t)
从而有： ——>a × x1(t) a × y1(t)
【线性系统移不变性】对于某线性系统，有：
x(t)——>y(t)
当输入信号沿时间轴平移T，有：
x(t - T)——>y(t - T)
则称该线性系统具有移不变性
2、卷积
【一维卷积定义】
【定义】
【离散一维卷积】
在这里插入图片描述
【二维卷积定义】
【离散二维卷积】

3、连续与离散的傅里叶变换
【一维连续傅里叶变换】

【一维连续傅里叶逆变换】
在这里插入图片描述
【几个概念】
假设函数f(x)为实函数。但一个实函数的傅立叶变换可能为复函数： $F (u) = R (u) + j I (u)$

f(x)的傅立叶模记为： $∣ F (u) ∣$
$[R^2(u) + I^2(u)]^\frac{1}{2}$
f(x)的傅立叶模平方记为： $∣ P (u) ∣$
$P(u)| = |F(u)|^2 = R^2(u) + I^2(u)$
f(x)的傅立叶相位记为： $\phi(u)$
$\phi(u) = \frac{I(u) / R(u)}{tan}$
傅立叶变换中的变量 $u$ 通常称为频率变量
这个名称源于尤拉公式中的指数项
$exp[-j2\pi ux] = cos2\pi ux - j sin2\pi ux$

【二维连续傅里叶变换】

在这里插入图片描述
【离散傅里叶变换】
假设连续函数 $f (x)$ 通过取N个 $\Delta x$ 单位的采样点，被离散化为一个序列：
$f(x_0),f(x_0+\Delta x), ... ,f(x_0+(N-1)\Delta x)$
[表示相对与连续函数的任意N个统一的空间采样]
无论将x作为离散的或连续的变量，在子序列中来研究都将是方便的，仅仅依赖于讨论的上下文。为作到此要求定义：
$f(x_0+ x\Delta x)$
在这里插入图片描述

[离散傅里叶变换对]
（变换）
$\frac{1}{N} \sum \limits _{x=0}^{N-1}f(x)exp \big(-2j\pi ux/N\big)$ u = 0,1,2,…,N-1
（逆变换）
$\sum \limits _{u=0}^{N-1}F(u)exp \big(2j\pi ux/N\big)$ u = 0,1,2,…,N-1
[离散傅里叶变换：二维]
（变换）
$\frac{1}{MN} \sum \limits _{x=0,y=0}^{M-1,N-1}f(x)exp \big(-2j\pi (ux/N + vy/N)\big)$
u = 0,1,2,…,M-1;v = 0,1,2,…,N-1
（逆变换）
$=\sum \limits _{x=0,y=0}^{M-1,N-1}f(x)exp \big(2j\pi (ux/M + vy/N)\big)$
x = 0,1,2,…,M-1;y = 0,1,2,…,N-1

【离散傅里叶变换的计算与显示】
[离散傅里叶交换的计算举例]
①
在这里插入图片描述

在这里插入图片描述
②

[离散傅里叶交换的显示]
在这里插入图片描述

【2】频域变换：二维傅里叶变换特性

1、可分离性
二维离散傅立叶变换可分离性的基本思想是： 二维DFT可分离为两次一维DFT
应用：二维快速傅立叶算法FFT ，是通过计算两次一维FFT实现的
【可分离性定义】
$\frac{1}{MN} \sum \limits _{x=0,y=0}^{M-1,N-1}[\sum f(x,y)exp(-2j\pi vy/N)]exp \big(-2j\pi ux/M\big)$ u = 0,1,2,…,M-1;v = 0,1,2,…,N-1
$=\sum \limits _{u=0,v=0}^{M-1,N-1}[\sum F(u，v) exp(2j\pi vy/N)]exp \big(2j\pi ux/M\big)$ u = 0,1,2,…,M-1;v = 0,1,2,…,N-1

2、平移性定理
在这里插入图片描述
【证明】
下式中蓝色部分=1

3、周期与共轭对称
【周期性】离散傅立叶变换DFT和它的逆变换是以N为周期的

【共轭对称性】傅立叶变换结果是以原点为中心的共轭对称函数

4、旋转特性

如果f(x,y)旋转了一个角度 $\alpha$ ，那么f(x,y)旋转后的图象的傅立叶变换也旋转了相同的角度 $\alpha$
对图像的旋转变换和傅立叶变换的顺序是可交换的 $\Leftrightarrow R[F[f(x,y)]]$

5、线性与相似性

【线性】：傅立叶变换是线性系统、函数和的傅立叶变换是可分离的
在这里插入图片描述
【相似性】

6、均值性
离散函数的均值等于该函数傅立叶变换在(0,0)点的值

7、拉普拉斯

8、卷积与相关
！！！空域和频域之间的基本联系
【卷积】

【相关】

【3】频域变换：FFT

【基本思想】FFT算法基于一个叫做递推加倍的方法
在这里插入图片描述

通过一个实例来体会一下FFT算法：
设：有函数f(x)，其 N = 2³ = 8
有：{f(0), f(1), f(2), f(3), f(4), f(5), f(6), f(7)}
计算：{F(0), F(1), F(2), F(3), F(4), F(5), F(6),F(7)}