利用时域（空域）卷积定理进行图像滤波（Matlab 实现）（一）

时域卷积定理证明

卷积定理：
$$f(t)\ast g(t)={\int }_{-\infty }^{\infty }f(\tau )g(t-\tau )d\tau$$

求傅里叶变换：
$$\begin{array}{rl}\mathcal{F}[f(t)\ast g(t)]& ={\int }_{-\infty }^{\infty }[{\int }_{-\infty }^{\infty }f(\tau )g(t-\tau )d\tau ]e^{-jwt}dt【交换积分顺序】\\ & ={\int }_{-\infty }^{\infty }f(\tau )[{\int }_{-\infty }^{\infty }g(t-\tau )e^{-jwt}dt]d\tau 【时移定理】\\ & ={\int }_{-\infty }^{\infty }f(\tau )G(w)e^{-jw\tau }d\tau \\ & =F(w)\cdot G(w)\\ & =\mathcal{F}[f(t)]\cdot \mathcal{F}[g(t)]\end{array}$$

得证。

同理，二维傅里叶变换也应当满足该定理：
$$\mathcal{F}[f(x,y)\ast g(x,y)]=\mathcal{F}[f(x,y)]\cdot \mathcal{F}[g(x,y)]$$

---

利用时域（空域）卷积定理处理图像的 Matlab 实现

代码：

clear,  clc, close all

img_raw = imread('cameraman.tif');
img = double(img_raw);
freq_img = fft2(img);  % 原图像的傅里叶变换

gaussian = [1, 2, 1; 2, 4, 2; 1, 2, 1] / 16;  % Gaussian 模板
laplacian = [0, 1, 0; 1, -4, 1; 0, 1, 0];  % Laplacian 模板
filter = zeros(size(img));  % 滤波器大小与图像大小一致
filter_gau = filter;  filter_gau(1:3, 1:3) = gaussian;
filter_lap = filter;  filter_lap(1:3, 1:3) = laplacian;
freq_gau = fft2(filter_gau);  % Gaussian 滤波器的傅里叶变换
freq_lap = fft2(filter_lap);  % Laplacian 滤波器的傅里叶变换

% 利用时域（空域）卷积定理将傅里叶变换后的图像与滤波器点乘，再求反变换，得到滤波后的图像
img_gau = ifft2(freq_gau .* freq_img);  % Gaussian 滤波图像
img_gau = uint8(real(img_gau));
img_lap = ifft2(freq_lap .* freq_img);  % Laplacian 滤波图像
img_lap = uint8(real(img_lap));

% 使用自带卷积函数
img_gau_conv = uint8(conv2(img, gaussian, 'same'));
img_lap_conv = uint8(conv2(img, laplacian, 'same'));

% 画图
subplot(2, 3, 1);  imshow(img_raw);  title('原图');
subplot(2, 3, 2);  imshow(img_gau);  title('Gaussian 滤波图（定理）');
subplot(2, 3, 3);  imshow(img_gau_conv);  title('Gaussian 滤波图（conv2）');
subplot(2, 3, 5);  imshow(img_lap);  title('Laplacian 滤波图（定理）');
subplot(2, 3, 6);  imshow(img_lap_conv);  title('Laplacian 滤波图（conv2）');

结果显示：

进一步查看图像矩阵像素的灰度值，以 Laplacian 滤波图像为例：

使用定理计算的图像矩阵：

使用 conv2 函数计算的图像矩阵：

不考虑外围像素，中间绝大部分的像素灰度完全一样，但是在水平和竖直方向上均有一个像素的偏移，要想解决这个问题，我可以对代码的第 10、11 行进行一下更改：

filter_gau = filter;  filter_gau([end,1,2], [end,1,2]) = gaussian;
filter_lap = filter;  filter_lap([end,1,2], [end,1,2]) = laplacian;

将滤波器模板中心像素调到矩阵的左上角，问题就解决了。
重新 Run 代码，图片效果差不多，就不再展示了，下面看看更改后的图像矩阵：

使用定理计算的图像矩阵：

使用 conv2 函数计算的图像矩阵：

Perfect !!!

由此证明了时域（空域）卷积定理在图像中也是完全成立的。可是问题又来了，用定理做这么麻烦，为何不采用卷积函数一条命令就解决呢。其实我之前也怎么想，可是最近正在看 GP-GAN 的论文及相关代码，发现在解 Gaussian-Possian Equation 时，要对损失函数进行优化，具体的代码实现就采取了这种方式。在进行了傅里叶变换（原文中还涉及离散余弦变换，原理见 利用时域（空域）卷积定理进行图像滤波（Matlab 实现）（二））后，我们能将卷积操作转化为乘积操作，然后在频域上进行优化就能求出使损失函数最小的解析解，简直不能再巧妙了。