数字图像处理总结(六)

已于 2022-12-23 11:16:24 修改
阅读量734 收藏
点赞数 1
分类专栏： 课程学习-数字图像处理DIP 文章标签： 计算机视觉 图像处理
于 2021-01-01 19:10:27 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/qq_36306288/article/details/112060922
版权
本文总结了数字图像处理的频域滤波部分，包括2D DFT与IDFT的基本思想和加速算法，特别是FFT shift的目的。讨论了同态滤波的原理及其处理流程，介绍了带阻和带通滤波的应用与陷波滤波器的工作原理。在图像恢复章节，探讨了降级模型以及逆滤波在应对线性失真中的作用。
摘要由CSDN通过智能技术生成

数字图像处理总结（六）

Part8 频域滤波 filtering in the frequency domain

主要内容包括一些点、线、边缘的检测算子和检测原理。

2D DFT IDFT

基本思想

前向传播和反向传播

在这里插入图片描述

Complex DFT(Complex[,]f,int u,int v)
{
   int M = f.GetLength(0);
   int N = f.GetLength(1);

   Complex Fuv = new Complex(0,0);

   for (int x=0;x<M;x++)
      for (int y=0;y<N;y++)
      {
          double a = -2*Math.PI*((double)u*x/M+(double)v*y/N); 
          Fuv += f[x,y]*new Complex(Cos(a),Sin(a));
       }

   return Fuv;
}

Complex[,] DFT(Complex[,] f)
{
    int M = f.GetLength(0);
    int N = f.GetLength(1);
    Complex[,] F = new Complex[M, N];

    double Pi = 3.1415926;

    for (int u = 0; u < M; u++)
        for (int v = 0; v < N; v++)
        {
            F[u, v] = new Complex(0, 0);

            for (int x = 0; x < M; x++)
                for (int y = 0; y < N; y++)
                {
                    
                    double a = 2*Pi * ((double)u * x / M + (double)v * y / N);
                    F[u, v] += f[x, y] * new Complex(Math.Cos(-a), Math.Sin(-a));
                }
        }

    return F;
}

Complex[,] IDFT(Complex[,] F)
{
    int M = F.GetLength(0);
    int N = F.GetLength(1);
    Complex[,] f = new Complex[M, N];

    double Pi = 3.1415926;

    for (int x = 0; x < M; x++)
        for (int y = 0; y < N; y++)
        {
            f[x, y] = new Complex(0, 0);

            for (int u = 0; u < M; u++)
                for (int v = 0; v < N; v++)
                {
                    
                    double a = 2*Pi *((double)u * x / M + (double)v * y / N);
                    f[x, y] += F[u, v] * new Complex(Math.Cos(a), Math.Sin(a));
                }

            f[x, y] *= 1.0 / (M * N);
        }

            
    return f;
}

byte[,] ToByte(Complex[,] f)
{
    int w = f.GetLength(0);
    int h = f.GetLength(1);

    byte[,] g = new byte[w, h];

    for (int y = 0; y < h; y++)
        for (int x = 0; x < w; x++)
        {
            g[x, y] = SByte(f[x, y].Real);
        }

    return g;
}

Complex[,] ToComplex(byte[,] f)
{
    int w = f.GetLength(0);
    int h = f.GetLength(1);

    Complex[,] g = new Complex[w, h];

    for (int y = 0; y < h; y++)
        for (int x = 0; x < w; x++)
        {
            g[x, y] = new Complex(f[x, y], 0);
        }

    return g;
}

byte SByte(double v)
{
    if (v > 255) return 255;
    if (v < 0) return 0;
    return (byte)v;
}



void main()
{
   byte[,] f = LoadImg();
   ShowImg("f",f);

   DateTime t0 = DateTime.Now;

   Complex[,] F = DFT(ToComplex(f));
   byte[,] f_ = ToByte(IDFT(F)); 

   DateTime t1 = DateTime.Now;

   print((t1-t0));


   ShowImg("f_",f_);
}

加速算法

void DFT(Complex[] f, Complex[] F)  // 1D DFT
{
    int N = f.GetLength(0);
    double Pi = 3.1415926;

    for (int u = 0; u < N; u++)
    {
        F[u] = new Complex(0, 0);

        for (int n = 0; n < N; n++)
        {
            double a = 2*Pi*((double)u * n / N);
            F[u] += f[n] * new Complex(Math.Cos(-a), Math.Sin(-a));
        }
    }
}

Complex[,] DFT_V(Complex[,] f)   //求垂直方向的1D DFT
{
    int M = f.GetLength(0);
    int N = f.GetLength(1);
    Complex[,] F = new Complex[M, N];

    Complex[] f_ = new Complex[N];
    Complex[] F_ = new Complex[N];

    for (int x=0;x<M;x++)
    {
       for (int y=0;y<N;y++)
          f_[y] = f[x,y];

       DFT(f_,F_);

       for (int y=0;y<N;y++)
          F[x,y] = F_[y];
     }

  return F;
}

Complex[,] DFT_H(Complex[,] f)  //求水平方向的1D DFT
{
    int M = f.GetLength(0);
    int N = f.GetLength(1);
    Complex[,] F = new Complex[M, N];

    Complex[] f_ = new Complex[M];
    Complex[] F_ = new Complex[M];

    for (int y=0;y<N;y++)
    {
       for (int x=0;x<M;x++)
          f_[x] = f[x,y];

       DFT(f_,F_);

       for (int x=0;x<M;x++)
          F[x,y] = F_[x];
     }

  return F;
}

Complex[,] DFT(Complex[,] f)  // 结合起来
{
    return DFT_H(DFT_V(f));
}


Complex[,] IDFT(Complex[,] F)
{
    int M = F.GetLength(0);
    int N = F.GetLength(1);
    Complex[,] f = new Complex[M, N];

    double Pi = 3.1415926;

    for (int x = 0; x < M; x++)
        for (int y = 0; y < N; y++)
        {
            f[x, y] = new Complex(0, 0);

            for (int u = 0; u < M; u++)
                for (int v = 0; v < N; v++)
                {
                    
                    double a = 2*Pi *((double)u * x / M + (double)v * y / N);
                    f[x, y] += F[u, v] * new Complex(Math.Cos(a), Math.Sin(a));
                }

            f[x, y] *= 1.0 / (M * N);
        }

            
    return f;
}

byte[,] ToByte(Complex[,] f)
{
    int w = f.GetLength(0);
    int h = f.GetLength(1);

    byte[,] g = new byte[w, h];

    for (int y = 0; y < h; y++)
        for (int x = 0; x < w; x++)
        {
            g[x, y] = SByte(f[x, y].Real);
        }

    return g;
}

Complex[,] ToComplex(byte[,] f)
{
    int w = f.GetLength(0);
    int h = f.GetLength(1);

    Complex[,] g = new Complex[w, h];

    for (int y = 0; y < h; y++)
        for (int x = 0; x < w; x++)
        {
            g[x, y] = new Complex(f[x, y], 0);
        }

    return g;
}

byte SByte(double v)
{
    if (v > 255) return 255;
    if (v < 0) return 0;
    return (byte)v;
}



void main()
{
   byte[,] f = LoadImg();
   ShowImg("f",f);

   DateTime t0 = DateTime.Now;

   Complex[,] F = DFT(ToComplex(f));
   byte[,] f_ = ToByte(IDFT(F)); 

   DateTime t1 = DateTime.Now;

   print((t1-t0));


   ShowImg("f_",f_);
}

FFT shift

在这里插入图片描述
目的：四周是低频，中间是高频，所以他的目的就是把低频放到中间去好处理一点！
在这里插入图片描述

同态滤波 Homomorphic Filtering

基本原理：对于图像而言，可以表示为照射和反射两个分量，如下:
在这里插入图片描述
然后按照下面的流程对图片进行处理即可；H是滤波器

在这里插入图片描述

  1. 首先先取ln
  2. 进行DFT变换,如下图F0
  3. FFTshift 将低频从四周移到中间，如下图F
  4. H进行滤波，去除中间的低频分量，如下图H和G
  5. FFTshift回去
  6. exp变换,下图g

在这里插入图片描述

Bandreject & Bandpass 带阻和带通滤波

图示

在这里插入图片描述
常见的空频域对应图：

在这里插入图片描述
在这里插入图片描述

带阻 带通应用和原理

其表达式如下：

在这里插入图片描述
应用：
在这里插入图片描述

byte[,] GBandReject(int w,int h,double D0,double w0)
{
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
       for (int x=0;x<w;x++)
       {
            double D = Sqrt((x-w/2)*(x-w/2)+(y-h/2)*(y-h/2));

            g[x,y] = (byte)(255-255*Exp(-(D-D0)*(D-D0)/(2*w0*w0)));
       } 

  return g;
}

byte[,] GBandPass(int w,int h,double D0,double w0)
{
   byte[,] g = new byte[w,h];

   for (int y=0;y<h;y++)
       for (int x=0;x<w;x++)
       {
            double D = Sqrt((x-w/2)*(x-w/2)+(y-h/2)*(y-h/2));

            g[x,y] = (byte)(255*Exp(-(D-D0)*(D-D0)/(2*w0*w0)));
       } 

  return g;
}

陷波滤波器 Notch reject or pass

通过构造这种陷波对，来对图像中的一些干扰频率进行滤波
在这里插入图片描述

原理

每个陷波对都是成对出现，其中心为（uk，vk）（-uk，-vk）（根据图像中心M/2,N/2来决定）
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
带通的话，用1-带阻即可

Part9 图像恢复 image restoration

降级模型

在这里插入图片描述
在这里插入图片描述
同之前一样，可以使用如下的操作，来对图像进行滤波
在这里插入图片描述
频域的话是这两个？？？
在这里插入图片描述

逆滤波（针对线性失真）

在这里插入图片描述

在这里插入图片描述

主要参考

百年后封笔
关注
专栏目录
数字图像处理总结(四)
qq_36306288的博客
12-28 807
DIP复习总结Part4 彩色图像处理color image processingRGB modelCMY CYMK model（不考）HSI modelYUV model（不考）伪彩色图像处理Pseudocolor image processing基本思想灰度切片intensity slicing简单例子稍微复杂一点的例子全彩色图像处理Full Color image processing基本思想色彩变换（基于matrix)RGB modelHSV/HSI model色彩变换 （图像处理）RGB mode
自学DIP经验分享01
TiangeYang的博客
10-13 545
一、预备资料 1.纸制教材  《数字图像处理》（中文版、英文版、Matlab版）详见http://www.imageprocessingplace.com/ 2.网上资源  搜：爱课程 有各高校的精品课程（作为计算机信息类课程，网上也有很多各学校的课件可用于辅助学习） 3.软件 初期以MATLAB为主 二、进程报告 基础概念的掌握和整个学习框架的搭建 绪论的阅读、实际运用的了解、第一个
【数字图像处理与应用】Lecture 5 图像去噪
Cai_deLong的博客
07-21 1561
数字图像处理与应用 Class 5. 数字图像处理与应用 Class 5. 20200511 Lecture 5 Image Restoration What is image restoration? Noise and images Noise models Noise removal using frequency domain filtering Estimating the degradation function Inverse filtering Weiner Filtering W.
dip单位的使用心得
路客
11-28 776
举个例子区别px和dip：px就是像素，如果用px,就会用实际像素画，比个如吧，用画一条长度为240px的横线，在480宽的模拟器上看就是一半的屏宽，而在320宽的模拟器上看就是2／3的屏宽了。而dip，就是把屏幕的高分成480分，宽分成320分。比如你做一条160dip的横线，无论你在320还480的模拟器上，都是一半屏的长度。 public static int dip2px(Conte...
翻译DIP的一点体会
Leal·草原·生活
10-01 1390
DIP(E version:20 May 2004)第1－3章的翻译已经全部完成，虽然全书的英文绝大部分都很简单易懂，短语句式也有套路，却仍费了很大的力气翻译这三章。虽然能流畅的阅读英文原书，一旦动起笔头转成中文却又不甚繁琐起来，总是一顿一顿的，无法行云流水。曾有过不少翻译的经验，却未加总结和分类，因此现在又似白手起家。或许还有一个原因，就是自己的Python学的仍不够扎实，更不用提实际编程经验的
数字图像处理知识点总结.zip
10-04
《数字图像处理知识点详解》 数字图像处理是计算机科学领域中的一个重要分支，它涉及图像的获取、表示、分析和操作等多个方面。以下是对这一领域的详细总结： 1. 图像基础知识： - 图像类型：主要分为位图和矢量...
数字图像处理（总结）思维导图
04-04
个人总结的有关数字图像处理相关知识思维导图（需下载MindMaster软件）
数字图像处理学习总结.doc
06-25
"数字图像处理学习总结" 数字图像处理是计算机科学和信息技术中的一门重要学科，涉及到图像处理、计算机视觉、模式识别、机器学习等方面的知识。在数字图像处理中，学习了图像的点运算、几何变换、空间域图像增强、...
数字图像处理期末总结文章
03-13
【数字图像处理】是计算机科学领域的一个重要分支，它涉及对图像进行采集、处理、分析和理解等一系列操作。本文将详细解析数字图像处理的关键概念、系统构成、主要研究内容及其广泛应用。 1. **数字图像处理的特点*...
国外数字图像处理总结笔记.zip
03-03
《国外数字图像处理总结笔记》是一份针对"EE-398/498 Introduction to Digital Image Processing"课程的学习资料，由威尔克斯大学提供。这份资料对于正在学习或准备学习数字图像处理的学生来说，无疑是一份宝贵的...
notch filter 点阻滤波器
Hibiscus_Jin的博客
08-17 4870
转自：http://www.cnblogs.com/gaozehua/archive/2012/03/19/2406487.html 1. What is a Notch Filter?  ​Notch Filter 被speex aec用作第一步处理 Solution: A Notch filter is a filter that passes all freq
DIP原则的一点理解
weixin_30371469的博客
08-08 445
DIP原则的一点理解 ...
结合openCV学习DIP之机器学习CNN
Heisenberg's blog
07-11 1009
综述 结合openCV学习DIP之传统图像特征与匹配 图像特征 图像的浅层特征主要是颜色、纹理和形状 图像特征是指: 可以表达图像中对象的主要信息, 并且以此为依据可以从其他未知图像中检测出相似或相同的该对象A. 在特征提取上,传统的图像处理都是自行设计提取固定特征的算子,在深度学习上主要是利用CNN网络来广泛的提取图像的特征. 笔记以吴恩达课程为基础, 全面介绍机器学习相关术语, 再以李航《统计学习方法》和周志华《机器学习》以及《学习openC...
数字图像处理总结(五)
qq_36306288的博客
01-01 592
DIP复习总结Part6 图像分割 image segmentation点、线、边缘的检测 point line edge detection基本思想孤立点的检测基本原理直线的检测基本原理边缘的检测梯度算子cannyPart7 表示与描述霍夫变换 hough transformation2维中心矩（质心） 2D central moment主要参考 Part6 图像分割 image segmentation 主要内容包括一些点、线、边缘的检测算子和检测原理。 点、线、边缘的检测 point line
浅谈DIP和IOC
Floating Cat
05-04 5152
追本溯源,不断的回顾基础对我而言是种不错的方式,每次重新回顾这些点往往收获很大.以前,受个人所限,觉得这些理论毫指导价值价值,过于相信实践的的力量,导致自己进步缓慢.其实有些时候,实践更需要站在理论巨人的肩膀,这会让我们少走很多的弯路.
数字图像的傅里叶变换(Fourier Transform)及其展示: 频率中心化
热门推荐
NLOS的博客
03-05 1万+
本文通过理论和MATLAB实际例子验证如下结论： 1. 大部分图片的有效信息集中在低频部分； 2. 图像傅里叶变换后低频在四周、高频在中心； 3. 图像经过傅里叶变换、频率中心化后能够容易地复原； 从而进一步说明图像通常需要进行频率中心化操作以方便处理； 1.大部分图片的有效信息集中在低频部分 图片的高频部分主要是边缘等细节，主要内容大部分是低频部分。因此，大部分图片的有效信息...
奢侈品牌用AI和计算机视觉打击假货
具备长记忆功能，能够记住并利用历史客户互动数据，优化后续互动
09-10 1024
然而，运动鞋市场面临着一个巨大挑战，即假冒运动鞋市场从2013年的461亿美元增加到2023年的近6000亿美元，增长了惊人的1200%，这一数据由Run Repeat 提供。像 StockX、eBay、GOAT 等平台，正在不断寻找新技术以降低成本并提高可扩展性，伴随着最近 AI 和 CV 的进步，现在可以每天处理数千张图片，提供实时的验证结果。这简化了验证流程，并显著减少了假货漏网的机会。他们的 CV 层可以直接将先进的验证方法集成到其系统中，帮助区分正品与假货，确保买家的信心和卖家的信誉。
基于YOLOV8+Pyqt5光伏太阳能电池板目标检测系统
2301_78240361的博客
09-11 862
基于YOLOV8+Pyqt5光伏太阳能电池板目标检测系统
计算机视觉学习路线
最新发布
jun778895的博客
09-12 792
计算机视觉学习路线是一个系统而全面的过程，它涵盖了从基础知识到高级应用的多个方面。以下是一个详细的学习路线，旨在帮助学习者逐步掌握计算机视觉的核心技术和应用。
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

打赏作者

百年后封笔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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