图像正交变换

正交变换时数字图像处理的一种有效工具。图像不仅可以在空间域表示，也可以对其进行正交变换到频域进行分析处理。在图像增强、图像复原、图像特征处理、图像编码中都经常采用图像变换技术。

离散傅里叶变换

一维离散傅里叶变换

对于有限长的数字序列$f(x),x=0,1,...,N-1$，一维DFT定义为：
$F(u)=\sum_{x=0}^{N-1} f(x) e^{-j \frac{2\pi u x}{N}}$

一维傅里叶反变换IDFT定义为：
$f(x)=\frac1N \sum_{x=0}^{N-1} F(u)e^{j \frac{2\pi u x}{N}}$

f(x)和F(u)为离散傅里叶变换对，表示为：$f(x)\leftrightarrows F(u)$
设$W=e^{-j\frac{2\pi}{N}}$,则一维的DFT和IDFT表示为：
$F(u)=\sum_{x=0}^{N-1} f(x) W^{ux}$
$f(x)=\frac1N \sum_{x=0}^{N-1} F(u)W^{-ux}$

一维快速傅里叶变换

FFT原理

$W^{u\pm rN}=W^{u}$
$W^{u\pm \frac N2}=-W^u$

---

---

FFT算法推导
W因子如下特性:
$W_{2N}^k =W_N^{\frac k2}$
DFT可以表示为：
$F(u)=\sum_{x=0}^{N/2-1} f(2x)W_N^{2ux}+\sum_{x=0}^{N/2-1}f(2x+1)W_N^{u(2x+1)}=\sum_{x=0}^{N/2-1}f(2x) W_{N/2}^{ux}+\sum_{x=0}^{N/2-1} f(2x+1)W_{N/2}^{ux}W_N^{u}$

令M=$\frac N2$，

$F(u)=F_e(u)+W_N^u F_0(u)$

$F(u+M)=F_e(u)-W_N^u F_0(u)$

将原函数分为奇数项和偶数项，通过不断的一个奇数一个偶数的相加减，得到最终结果。

---

---

二维离散傅里叶变换

代码：

I=imread('106.jpg');
subplot(1,3,1),imshow(I),title('106 原图');
grayI=rgb2gray(I);   
%彩色图像灰度化
DFTI=fftshift(fft2(grayI));
%计算傅里叶变换并移位
ADFTI=abs(DFTI);
%求模
subplot(1,3,2),imshow(log(1+ADFTI),[]),title('106 频谱图1');
top=max(ADFTI(:));
%求模的最大值
bottom=min(ADFTI(:));
%求模的最小值
ADFTI=(ADFTI-bottom)/(top-bottom)*100;
%将模规格化到[0 100]
subplot(1,3,3),imshow(ADFTI),title('106 频谱图2');

DFTI中的数据是经过搬移的傅里叶变换系数，为复数，不能直接通过MATLAB函数显示，调用abs函数对其求模ADFTI，频谱图1是对ADFTI进行对数运算以观察图像DFT结果，频谱图2是将ADFT1归一化扩大100倍显示，对比明显

---

---

二维离散傅里叶变换的性质

1）可分性
$F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y) \cdot e^{-j2\pi \frac{xu}{M}} \cdot e^{-j2\pi \frac{yu}{N}}=F_x\{ F_y[f(x,y)]\}$

2）线性
F[a1