频率域图像增强

4.1 背景

• 任何周期函数都可以表示为不同频率的正弦和或余弦和的形式，每个正弦和/余弦和乘以不同的系数。这个和就是傅立叶级数。
• 非周期函数(曲线是有限的情况下)也可以用正弦/余弦乘以加权函数的积分来表示。在这种情况下的公式就是傅立叶变换。

4.2 傅立叶变换和频率域的介绍

4.2.1 一维傅立叶变换及其反变换

• 单变量连续函数$f(x)$的傅立叶变换$F(u)$定义为等式：
                           $F(u)={\int }_{-\infty }^{\infty }f(x)e^{-j2\pi ux}dx$

• 反变换定义为：
                          $f(x)={\int }_{-\infty }^{\infty }F(u)e^{j2\pi ux}du$

---

• 单变量离散函数$f(x)$(其中$x=0,1,2,..m-1)$的傅立叶变换由下等式给出：
                         $F(u)=\frac{1}{M}{\sum }_{x=0}^{M-1}f(x)e^{-j2\pi ux/M},u=0,1,...,M-1$
• 反傅立叶变换：
                          $f(x)={\sum }_{u=0}^{M-1}F(u)e^{j2\pi ux/M},x=0,1,...,M-1$
• $F(u)$值的范围覆盖的域($u$的值)称为频率域，因为$u$决定了变换的频率成分。$F(u)$的$M$项中的每一个被称为变换的频率分量。
• 有时在极坐标下表示$F(u)$很方便：
                          $F(u)=|F(u)|e^{-j\varphi (u)}$

频率谱     $F(u)=[R^2(u)+I^2(u){]}^{1/2}$

$R(u)$指的是傅立叶变换中的实部
$I(u)$指的是傅立叶变换中的虚部

相位谱     $\varphi (u)=ta{n}^{-1}[\frac{I(u)}{R(u)}]$
功率谱      $P(u)=|F(u){|}^2=R^2(u)+I^2(u)$

---

4.2.2 二维傅立叶变换及其反变换

• 二维连续傅立叶变换与反变换
                                 $F(u,v)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(x,y)e^{-j2\pi (ux+vy)}dxdy$

                                          $f(x,y)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }F(u,v)e^{j2\pi (ux+vy)}dudv$

• 二维离散傅立叶变换与反变换
  $F(u,v)=\frac{1}{MN}{\sum }_{x=0}^{M-1}{\sum }_{y=0}^{N-1}f(x,y)e^{-j2\pi (ux/M+vy/N)}$

$f(x,y)={\sum }_{x=0}^{M-1}{\sum }_{y=0}^{N-1}F(u,v)e^{j2\pi (ux/M+vy/N)}$

• $F(u,v)$也可以写成极坐标的形式：
                          $F(u,v)=|F(u,v)|e^{-j\varphi (u,v)}$

频率谱     $F(u,v)=[R^2(u,v)+I^2(u,v){]}^{1/2}$

$R(u)$指的是傅立叶变换中的实部
$I(u)$指的是傅立叶变换中的虚部

相位谱     $\varphi (u,v)=ta{n}^{-1}[\frac{I(u,v)}{R(u,v)}]$
功率谱      $P(u,v)=|F(u,v){|}^2=R^2(u,v)+I^2(u,v)$

• 二维傅立叶变换的平移性，即：
  $f(x,y)exp[j2\pi (u_{0}x/M+v_{0}y/N)]\iff F(u-u_0,v-v_0)$
  $f(x-x_0,y-y_0)\iff F(u,v)exp[-2j\pi (u{x}_0/M+v{y}_0/N)]$

证明：

欧拉公式：$e^{ix}=cosx+isinx$

根据平移性：

这说明，$f(x,y)(-1{)}^{x+y}$的傅立叶变换的原点被设置在$u=\frac{M}{2}$,$v=\frac{N}{2}$。

使用平移性，实现傅立叶变换结果的中心的平移。

4.3 一些二维傅立叶变换的性质

1. 分配性

$\mathcal{F}[f_1(x,y)+f_2(x,y)]=\mathcal{F}[f_1(x,y)]+\mathcal{F}{f}_2(x,y)]$

$af(x,y)\iff aF(u,v)$

傅立叶反变换适用相同的结论。

2. 周期性

离散傅立叶变换有如下的周期性：
$F(u,v)=F(u+M,v)=F(u,v+N)=F(u+M,v+N)$
$f(x,y)=f(x+M,v)=f(x,y+N)=f(x+M,y+N)$

离散傅立叶变换把原来的图像看成周期的二维离散函数

证明频率域的周期性：

3. 对称性

如果$f(x,y)$是实函数，它的傅立叶变换必然是对称的，即：

$F(u,v)=F^{\ast }(-u,-v)$

$|F(u,v)|=|F(-u,-v)|$