数字图像处理之低通滤波器实现原理及方法（Matlab)

最新推荐文章于 2024-02-08 13:42:28 发布
最新推荐文章于 2024-02-08 13:42:28 发布
阅读量1.2w 收藏 43
点赞数 7
原文链接：http://blog.csdn.net/zhoufan900428/article/details/17194289
版权

1.傅里叶变换与频域

 

        在之前的文中，我们已经进行过一些基本的图像处理。比如，使用低通滤波可以将图像模糊，也有些许降噪的作用。这些都是在空间域内进行的滤波处理，这个处理主要是依靠卷积来进行计算的。首先，从连续的一维卷积入手，如下所示。

       将上式进行傅里叶变换，可以得到如下结果。

        从这个式子，我们可以得到一个重要的结论。也就是，函数与卷积的傅里叶变换所得到的结果，是函数与的傅里叶变换与的乘积。再将其总结得简单易懂一些，有如下结论。

        在将其扩展到二维的形况下，假设尺寸为MxN的图像，如下关系是成立的。

       其实到这，基本的原理就明了的。我们所看到的图像，均为空间域内的表现形式，我们无法辨识出频域内的图像。要进行频域内的滤波器处理，首先就需要进行傅里叶变换，然后直接进行滤波处理，最后再用反傅里叶变换倒回到空间域内。

       到此，已经可以开始空间域内的滤波处理了。但是，还有一点需要注意的地方。使用某个一维信号来举例子，一维信号的傅里叶变换是以2π为周期的函数。所以，我们常常使用的范围[-π,π]来表示这个信号的傅里叶变换，如下所示。

        这样做的好处是，靠近0的成分就是低频，靠近-π与π的成分就表示高频。而对于图像而言，在Matlab中，我们使用fft2()这个函数来求取图像的傅里叶变换。

 

[plain] view plain copy

  CODE_ico.pnguploading.4e448015.gif正在上传…重新上传取消在CODE上查看代码片ico_fork.svguploading.4e448015.gif正在上传…重新上传取消派生到我的代码片

  1. g = fft2(f);     

        上面这个代码求取的，其实是范围[0,π]内的傅里叶变换。为了方便理解，下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围（左）。

 

       很显然，这并不是希望的范围，下面这个代码可以求取[0,2π]内的傅里叶变换。

 

[plain] view plain copy

  CODE_ico.pnguploading.4e448015.gif正在上传…重新上传取消在CODE上查看代码片ico_fork.svguploading.4e448015.gif正在上传…重新上传取消派生到我的代码片

  1. P = 2*M;  
  2. Q = 2*N;  
  3. F = fft2(f,P,Q);  

       下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围（左）。所得到的图像F(u,v)的尺寸为PxQ。

 

         我们需要对其移动一下，如下图所示，我们需要的是粉色范围的区域。

下面，从数学上分析一下，如何获得这个部分的频谱。对于傅里叶变换，有如下性质。

这个特性称为平移特性，粉色部分的频谱，将带入上式，我们可以得到如下式子。

为次，我们已经得到了粉色范围的频谱。越靠近傅里叶频谱图像中间的成分，代表了低频成分。其Matlab代码如下所示。

 

[plain] view plain copy

  CODE_ico.pnguploading.4e448015.gif正在上传…重新上传取消在CODE上查看代码片ico_fork.svguploading.4e448015.gif正在上传…重新上传取消派生到我的代码片

  1. [M,N] = size(f);  
  2. P = 2*M;  
  3. Q = 2*N;  
  4. fc = zeros(M,N);  
  5.   
  6. for x = 1:1:M  
  7.     for y = 1:1:N  
  8.         fc(x,y) = f(x,y) * (-1)^(x+y);  
  9.     end  
  10. end  
  11.   
  12. F = fft2(fc,P,Q);  

 

        代码所得到的结果，如下图所示。

        接下来，我们总结一下频域滤波的步骤：

        ①：先将图像做频域内的水平移动，然后求原图像f(x,y)的DFT，得到其图像的傅里叶谱F(u,v)。

        ②：与频域滤波器做乘积，

        ③：求取G(u,v)的IDFT，然后再将图像做频域内的水平移动（移动回去），其结果可能存在寄生的虚数，此时忽略即可。

        ④：这里使用ifft2函数进行IDFT变换，得到的图像的尺寸为PxQ。切取左上角的MxN的图像，就能得到结果了。

 

        2.低通滤波器

        2.1理想的低通滤波器

 

       其中，D0表示通带的半径。D(u,v)的计算方式也就是两点间的距离，很简单就能得到。

       使用低通滤波器所得到的结果如下所示。低通滤波器滤除了高频成分，所以使得图像模糊。由于理想低通滤波器的过度特性过于急峻，所以会产生了振铃现象。

         

 

        2.2巴特沃斯低通滤波器

 

       同样的，D0表示通带的半径，n表示的是巴特沃斯滤波器的次数。随着次数的增加，振铃现象会越来越明显。

 

   

       2.3高斯低通滤波器

       D0表示通带的半径。高斯滤波器的过度特性非常平坦，因此是不会产生振铃现象的。

 

       3.实现代码

 

   1
   2
   3
   4
   5
   6
   7
   8
   9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46
  47
  48
  49
  50
  51
  52
  53
  54
  55
  56
  57
  58
  59
  60
  61
  62
  63
  64
  65
  66
  67
  68
  69
  70
  71
  72
  73
  74
  75
  76
  77
  78
  79
  80
  81
  82
  83
  84
  85
  86
  87
  88
  89
  90
  91
  92
  93
  94
  95
  96
  97
  98
  99
 100
 
 

close all;

clear all;

%% ---------Butterworth Lowpass Filters (Fre. Domain)------------

f = imread('characters_test_pattern.tif');

f = mat2gray(f,[0 255]);

[M,N] = size(f);

P = 2*M;

Q = 2*N;

fc = zeros(M,N);

for x = 1:1:M

for y = 1:1:N

fc(x,y) = f(x,y) * (-1)^(x+y);

end

end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);

H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1

for y = (-Q/2):1:(Q/2)-1

D = (x^2 + y^2)^(0.5);

D_0 = 100;

H_1(x+(P/2)+1,y+(Q/2)+1) = 1/(1+(D/D_0)^2);

H_2(x+(P/2)+1,y+(Q/2)+1) = 1/(1+(D/D_0)^6);

end

end

G_1 = H_1 .* F;

G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));

g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));

g_2 = g_2(1:1:M,1:1:N);

for x = 1:1:M

for y = 1:1:N

g_1(x,y) = g_1(x,y) * (-1)^(x+y);

g_2(x,y) = g_2(x,y) * (-1)^(x+y);

end

end

%% -----show-------

figure();

subplot(1,2,1);

imshow(f,[0 1]);

xlabel('a).Original Image');

subplot(1,2,2);

imshow(log(1 + abs(F)),[ ]);

xlabel('b).Fourier spectrum of a');

figure();

subplot(1,2,1);

imshow(H_1,[0 1]);

xlabel('c)Butterworth Lowpass (D_{0}=100,n=1)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_1)),[ ]);

xlabel('d).Result of filtering using c');

subplot(1,2,2);

imshow(g_1,[0 1]);

xlabel('e).Result image');

figure();

subplot(1,2,1);

imshow(H_2,[0 1]);

xlabel('f).Butterworth Lowpass (D_{0}=100,n=3)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_2)),[ ]);

xlabel('g).Result of filtering using e');

subplot(1,2,2);

imshow(g_2,[0 1]);

xlabel('h).Result image');

 来自CODE的代码片

Butterworth_Lowpass_Filters.m

   1
   2
   3
   4
   5
   6
   7
   8
   9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46
  47
  48
  49
  50
  51
  52
  53
  54
  55
  56
  57
  58
  59
  60
  61
  62
  63
  64
  65
  66
  67
  68
  69
  70
  71
  72
  73
  74
  75
  76
  77
  78
  79
  80
  81
  82
  83
  84
  85
  86
  87
  88
  89
  90
  91
  92
  93
  94
  95
  96
  97
  98
  99
 100
 101
 102
 103
 
 

close all;

clear all;

clc;

%% ---------Gaussian Lowpass Filters (Fre. Domain)------------

f = imread('characters_test_pattern.tif');

f = mat2gray(f,[0 255]);

[M,N] = size(f);

P = 2*M;

Q = 2*N;

fc = zeros(M,N);

for x = 1:1:M

for y = 1:1:N

fc(x,y) = f(x,y) * (-1)^(x+y);

end

end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);

H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1

for y = (-Q/2):1:(Q/2)-1

D = (x^2 + y^2)^(0.5);

D_0 = 60;

H_1(x+(P/2)+1,y+(Q/2)+1) = exp(-(D*D)/(2*D_0*D_0));

D_0 = 160;

H_2(x+(P/2)+1,y+(Q/2)+1) = exp(-(D*D)/(2*D_0*D_0));

end

end

G_1 = H_1 .* F;

G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));

g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));

g_2 = g_2(1:1:M,1:1:N);

for x = 1:1:M

for y = 1:1:N

g_1(x,y) = g_1(x,y) * (-1)^(x+y);

g_2(x,y) = g_2(x,y) * (-1)^(x+y);

end

end

%% -----show-------

close all;

figure();

subplot(1,2,1);

imshow(f,[0 1]);

xlabel('a).Original Image');

subplot(1,2,2);

imshow(log(1 + abs(F)),[ ]);

xlabel('b).Fourier spectrum of a');

figure();

subplot(1,2,1);

imshow(H_1,[0 1]);

xlabel('c)Gaussian Lowpass (D_{0}=60)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_1)),[ ]);

xlabel('d).Result of filtering using c');

subplot(1,2,2);

imshow(g_1,[0 1]);

xlabel('e).Result image');

figure();

subplot(1,2,1);

imshow(H_2,[0 1]);

xlabel('f).Gaussian Lowpass (D_{0}=160)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_2)),[ ]);

xlabel('g).Result of filtering using e');

subplot(1,2,2);

imshow(g_2,[0 1]);

xlabel('h).Result image');

 来自CODE的代码片

Gaussian_Lowpass_Filters.m

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 
 

close all;

clear all;

%% ---------Ideal Lowpass Filters (Fre. Domain)------------

f = imread('characters_test_pattern.tif');

f = mat2gray(f,[0 255]);

[M,N] = size(f);

P = 2*M;

Q = 2*N;

fc = zeros(M,N);

for x = 1:1:M

for y = 1:1:N

fc(x,y) = f(x,y) * (-1)^(x+y);

end

end

F = fft2(fc,P,Q);

H_1 = zeros(P,Q);

H_2 = zeros(P,Q);

for x = (-P/2):1:(P/2)-1

for y = (-Q/2):1:(Q/2)-1

D = (x^2 + y^2)^(0.5);

if(D <= 60) H_1(x+(P/2)+1,y+(Q/2)+1) = 1; end

if(D <= 160) H_2(x+(P/2)+1,y+(Q/2)+1) = 1; end

end

end

G_1 = H_1 .* F;

G_2 = H_2 .* F;

g_1 = real(ifft2(G_1));

g_1 = g_1(1:1:M,1:1:N);

g_2 = real(ifft2(G_2));

g_2 = g_2(1:1:M,1:1:N);

for x = 1:1:M

for y = 1:1:N

g_1(x,y) = g_1(x,y) * (-1)^(x+y);

g_2(x,y) = g_2(x,y) * (-1)^(x+y);

end

end

%% -----show-------

figure();

subplot(1,2,1);

imshow(f,[0 1]);

xlabel('a).Original Image');

subplot(1,2,2);

imshow(log(1 + abs(F)),[ ]);

xlabel('b).Fourier spectrum of a');

figure();

subplot(1,2,1);

imshow(H_1,[0 1]);

xlabel('c).Ideal Lowpass filter(D=60)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_1(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_1)),[ ]);

xlabel('d).Result of filtering using c');

subplot(1,2,2);

imshow(g_1,[0 1]);

xlabel('e).Result image');

figure();

subplot(1,2,1);

imshow(H_2,[0 1]);

xlabel('f).Ideal Lowpass filter(D=160)');

subplot(1,2,2);

h = mesh(1:20:P,1:20:Q,H_2(1:20:P,1:20:Q));

set(h,'EdgeColor','k');

axis([0 P 0 Q 0 1]);

xlabel('u');ylabel('v');

zlabel('|H(u,v)|');

figure();

subplot(1,2,1);

imshow(log(1 + abs(G_2)),[ ]);

xlabel('g).Result of filtering using e');

subplot(1,2,2);

imshow(g_2,[0 1]);

xlabel('h).Result image');

仗剑走天涯1
关注
  • 7
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【小白学OpenCV】（1）： 图像处理之低通滤波
yuedong2012的博客
03-18 5954
在图像处理或者计算机视觉应用中，在正式对图像进行分析处理前一般需要一个预处理的过程。预处理是对图像作一些诸如降维、降噪的操作，主要是为后续处理提供一个体积合适的、只包含所需信息的图像。这里通常会用到一些滤波处理手法。滤波，实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号，其中像素点灰度值的高低代表信号的强弱。对应的高低频的意义： 高频：图像中灰度变化剧烈的点，一般是图像轮廓
【数字图像处理与应用】利用一阶Butterworth低通滤波器进行频域滤波
07-20
# 题目 1. 给定图像 'barb.png', 利用一阶Butterworth低通滤波器进行频域滤波, 当 $D_0=10,20,40,80$ 时, 给出相应滤波图像, 并分别以频域和空域的观点解释有关 滤波结果。 提示: (1) 以 $(-1)^{x+y}$ 乘以输入图像进行中心变换; (2) 直接以FFT2进行傅立叶变换; (3) DFT反变换后取实部; (4) 以 $(-1)^{x+y}$ 乘以（3）中结果, 反中心变换。 声明：未经允许，请勿转载
【数字图像处理】频域滤波，理想低通滤波器，高斯滤波器，巴特沃斯滤波器
12-30
数字图像处理，评语滤波，理想低通滤波器，高斯滤波器，巴特沃斯滤波器
图像频域滤波（理想低通滤波）
Rkun18的博客
01-08 1964
然后，(np.amax(I_back)-np.amin(I_back))是I_back的最大像素值减去最小像素值，这样得到的值就是I_back的像素值的数值范围，即最大值与最小值之差。首先，(I_back-np.amin(I_back))将I_back的每个像素值减去最小像素值，这样可以使得I_back的最小像素值为0。最后，将I_back的每个像素值除以像素值的数值范围，就可以将I_back的像素值缩放到0~1之间。这一句的作用是将反演得到的图像矩阵I_back的像素值缩放到0~1之间。
MATLAB实现低通滤波器(附完整代码)
corn1949的博客
02-08 2733
MATLAB实现低通滤波器(附完整代码)
单片机与DSP中的二阶低通滤波器
11-13
为了改进一阶低通滤波器的频率特性，可采用二阶低通滤波器。一个二阶低通滤波器包含两个RC支路，如图所示为二阶低通滤波器的一般电路。此一般电路对于二阶高通滤波器也同样适用。 图6－2－3所示的滤波器是同相放大器。在图6－2－3中，零频增益为    在节点B可得 　　将式（6－2－8）代人式（6－2－6），转变到复频域，可得一般二阶低通滤波器的传递函数为 　　在构成二阶低通滤波器时，只需选择巧，殇，蚝，‰导纳的值即可。例如，当选择Y1＝1/R1，Y2＝1/R2，Y3＝sC1 Y4=sC2时，则构成图6－2－4所示的二阶低通滤波器。 　　对于上图所示的二阶低通滤波器，其传递函数为
m代码_图像处理；频域低通滤波；MATLAB_
10-01
用于图像滤波除噪的频域低通滤波函数，使用MATLAB编程实现
DFT.zip_vc++_傅里叶 滤波_频域低通滤波器_频域高通滤波器
07-14
visual c++写的傅里叶变换，以及在频域实现低通滤波和高通滤波
【图像处理：频率域平滑与锐化】理想滤波器，巴特沃思滤波器，高斯滤波器
weixin_48846514的博客
10-26 6593
理想滤波器、巴特沃斯滤波器、高斯滤波器
数字图像处理---低高通滤波实验（MATLAB实现）
OpenCV学习笔记
04-29 1万+
数字图像处理MATLAB实现高低通滤波器代码以及实验原理和实验效果图
第三章 图像的低通与高通滤波
zhanghongbin159的博客
05-08 4124
前面讲解了一些图像的基本理论以及操作，这一张将聚焦与图像的滤波操作。本章主要讲解了卷积操作的基本知识以及低通滤波和高通滤波，低通滤波就是为了消除图像的噪声，但也会让图像变的模糊；高通滤波能够检测图像的边缘，从而进行其他的判断。
MATLAB —— 低通滤波器设计与信号滤波
热门推荐
shinuone的博客
07-21 1万+
低通滤波器：是一种信号处理的滤波工具，用于从输入信号中去除高频部分，只保留低频部分。即只容许通过低于截止频率的信号， 而减弱或消除高于截止频率的信号（通低频阻高频）。
数字图像处理 低通滤波器
09-02
数字图像处理中的低通滤波器的MATLAB源代码
数字图像处理作业基于matlab实现空域滤波器应用源码+实验说明文档.zip
01-12
数字图像处理作业基于matlab实现空域滤波器应用源码+实验说明文档.zip 【资源介绍】----空域滤波器 实验任务 1、空域低通滤波器：分别用高斯滤波器和中值滤波器去平滑测试图像 test1 和 test2 ，模板大小分别是 3x3 ...
基于matlab数字图像处理之低通滤波器
01-20
基于matlab数字图像处理之低通滤波器
基于MATLAB设计巴特沃斯低通滤波器.pdf
06-29
基于MATLAB设计巴特沃斯低通滤波器.pdf
[MATLAB]数字图像处理—频域滤波器
04-14
数字图像处理课程第五次作业的代码，包括巴特沃斯低通滤波器、高斯低通滤波、巴特沃斯高通滤波器、高斯高通滤波器、拉普拉斯高通滤波器。参考课本是冈萨雷斯《数字图像处理》英文第三版
数据更新至2020年历年电力生产和消费弹性系数.xls
最新发布
05-05
数据来源：中国电力统计NJ-2021版
数据更新至2020年电力建设本年投资完成情况(设备工器具购置).xls
05-05
数据来源：中国电力统计NJ-2021版
巴特沃斯低通滤波器 matlab数字图像处理
11-17
巴特沃斯低通滤波器是一种数字图像处理的滤波器，利用巴特沃斯滤波器可以实现对图像中高频噪声的去除，使得图像变得更加清晰。 在MATLAB中，可以通过使用`butter`函数来实现巴特沃斯低通滤波器的设计和应用。 首先，需要确定滤波器的阶数和截止频率。阶数决定了滤波器的陡峭程度，而截止频率则决定了滤波器在频域中的过渡区域。 然后，可以使用`butter`函数来设计滤波器。语法如下： ``` [b, a] = butter(n, Wn, 'low') ``` 其中，`n`表示滤波器的阶数，`Wn`为截止频率，`'low'`表示低通滤波器。`b`和`a`为设计好的滤波器的系数。 接下来，可以使用`filter`函数来应用滤波器。语法如下： ``` filtered_image = filter(b, a, original_image) ``` 其中，`b`和`a`为滤波器的系数，`original_image`为原始图像，`filtered_image`为滤波后的图像。 最后，可以使用`imshow`函数将滤波前后的图像进行对比显示，如下所示： ``` subplot(1, 2, 1) imshow(original_image) title('Original Image') subplot(1, 2, 2) imshow(filtered_image) title('Filtered Image') ``` 通过以上步骤，就可以在MATLAB中使用巴特沃斯低通滤波器对数字图像进行处理，去除高频噪声，得到清晰的图像。

“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
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