python观察图像的直流分量——冈萨雷斯数字图像处理

原理

在数字图像处理中，图像的直流分量（DC分量）是指图像中的平均亮度水平。这个概念源自于傅里叶变换，其中信号可以分解为多个频率成分。在这个上下文中，直流分量对应于频率为零的成分，即信号的平均值。
在JPEG图像压缩和其他类似的编码技术中，图像首先被分割成小块（例如8x8像素的块）。然后对每个块进行离散余弦变换（DCT）。DCT帮助将图像数据从空间域转换到频率域。在这个变换后的频率域表示中，直流分量位于左上角，代表了整个块的平均亮度。其余部分，称为交流分量（AC分量），代表了图像块中更高频率的细节信息，比如边缘和纹理。
由于直流分量代表的是整个块的平均亮度，它通常对整体图像质量的影响较大。在压缩过程中，直流分量通常会被优先保留，因为它包含了大量关于图像的重要信息。相比之下，一些较高频率的交流分量在压缩时可能会被减少或丢弃，这是因为人眼对这些细节的敏感度较低，减少它们对感知图像质量的影响较小。

图像的直流分量（DC分量）的数学原理可以通过离散余弦变换（DCT）来理解，特别是在图像压缩（如JPEG）中的应用。基本的数学概念和原理：

离散余弦变换（DCT）
定义：
DCT帮助将图像从空间域（像素强度）转换到频率域。这种转换对图像压缩非常有用，因为人眼对图像中的高频变化（如细小的边缘或纹理）不太敏感。

重要性
压缩：在图像压缩中，直流分量是非常重要的。由于它代表了图像块的平均亮度，它对于重建图像的整体外观至关重要。
编码效率：直流分量通常比其他高频分量具有更高的编码效率，因为它可以通过较少的比特表示。
应用
在JPEG等图像压缩算法中，首先将图像分割成小块（例如8x8像素），对每个块进行DCT，然后对这些变换后的块进行量化（减少精度以减小文件大小）。在这个过程中，直流分量通常被优先处理，因为它包含了关于图像块的关键信息。

代码实现

编写代码，输出如下图所示的结果：

提示

由函数np.fft.fft2可以得到其傅里叶变换系数，用np.abs计算复数幅度谱后可以得到频率为0时的直流分量。由函数np.average可以得到图像的灰度均值，根据第四章的作业题可以计算A=(F(0,0))/(MNf ̅(x,y))来判断公式中归一化项的位置。如果F(0,0)= MNf ̅(x,y)，A=1，则1/MN项位于IDFT公式前；若F(0,0)=f ̅(x,y)，A=1/MN，则1/MN项位于DFT公式前；若F(0,0)= √MN f ̅(x,y)，A=1/√MN ，则1/√MN 项位于DFT和IDFT两个公式前。
将np.fft.fft2得到的傅里叶变换系数中频率为0的一项置为0，再经过np.fft.ifft2函数做傅里叶反变换得到直流分量置零后的图像（因为图像平均值被置零，因此输出图像应该比原图暗些）。注意，np.fft.ifft2函数的输出是复数，需用np.abs函数取其幅度得到输出图像。

代码实现

在这里插入代码片
import cv2
import numpy as np
from matplotlib import pyplot as plt
img=cv2.imread("Fig0429.tif",0)

rows, cols = img.shape[0:2]

# 计算图像的均值
avg = np.average(img)
# 用Opencv的dft函数计算图像的频谱
dft = cv2.dft(np.float32(img))
# A=F(0,0)/MNfavg，若A=1，1/MN项位于IDFT公式前；
# 若A=1/MN，1/MN项位于DFT公式前;
# 若A=1/sqrt(MN)，1/sqrt(MN)项位于DFT和IDFT公式前
A = dft[0, 0] / (rows*cols*avg)
print(A)

# 用numpy的fft2函数计算图像的频谱
dft = np.fft.fft2(img)
F = np.abs(dft)
A = F[0, 0] / (rows*cols*avg)
print(A)

# 将频谱的直流分量置0
dft[0, 0] = 0
# 傅里叶反变换得到直流分量置0后的图像
img_filtered = np.abs(np.fft.ifft2(dft))

img_list = [img, np.log(1+np.fft.fftshift(F)), np.log(1+np.fft.fftshift(np.abs(dft))), img_filtered]
img_name_list = ['original', 'DFT', 'filtered DFT', 'filtered image']

_, axs = plt.subplots(2, 2)

for i in range(2):
    for j in range(2):
        axs[i, j].imshow(img_list[i*2+j], cmap='gray')
        axs[i, j].set_title(img_name_list[i*2+j])
        axs[i, j].axis('off')

plt.savefig('image_filtered.jpg')
plt.show()

结果展示

直流分量：将非正弦周期信号按傅里叶级数展开，频率为零的分量。
此题的流程如下：
由函数np.fft.fft2可以得到其傅里叶变换系数，用np.abs计算复数幅度谱后可以得到频率为0时的直流分量。由函数np.average可以得到图像的灰度均值，可以计算A=(F(0,0))/(MNf ̅(x,y))来判断公式中归一化项的位置。如果F(0,0)= MNf ̅(x,y)，A=1，则1/MN项位于IDFT公式前；若F(0,0)=f ̅(x,y)，A=1/MN，则1/MN项位于DFT公式前；若F(0,0)= √MN f ̅(x,y)，A=1/√MN ，则1/√MN 项位于DFT和IDFT两个公式前。
将np.fft.fft2得到的傅里叶变换系数中频率为0的一项置为0，再经过np.fft.ifft2函数做傅里叶反变换得到直流分量置零后的图像，因为图像平均值被置零，因此输出图像应该比原图暗些。