(1)解释频率滤波每个步骤的目的 (2)使用具有不同参数的不同低通滤波器进行实验比较； (3)使用具有不同参数的不同高通滤波器进行实验比较； (4)使用给定图像实现陷波滤波器

作业四：图像增强

实验要求：

(1)解释频率滤波每个步骤的目的
(2)使用具有不同参数的不同低通滤波器进行实验比较；
(3)使用具有不同参数的不同高通滤波器进行实验比较；
(4)使用给定图像实现陷波滤波器
2.实验结果与分析：（代码见附录）
(1)频率滤波实现的步骤及其目的：
Step1给定一幅大小为MN的输入图像f(x,y),取P = 2M,Q = 2N填充图像得到fp(x,y);填充的目的是因为后续要进行卷积操作，P、Q的取值必须不小于原图长宽，避免折叠误差带来的干扰
Step2用 乘以fp(x,y)移到变换中心；原点移到中心点的目的是因为图像是中心对称的，这样减少计算量
Step3计算step2中的DFT得到F(u,v)；中心的频率最低，四周的频率较高。
Step4生成一个实的、对称的滤波函数H(u,v)，其大小为PQ，中心在（P/2+1，Q/2+1）处。用阵列相乘形成乘积G(u,v)=H(u,v)F(u,v)；“实的”目的在于为忽略由于计算不准确导致的寄生复分量
Step5计算 ；得到变换后图像
Step6取 的前M行前N列得到g(x,y)；目的在于得到与原图像相同大小的图像

（2）低通滤波器：由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H(u，v)来抑制高频成分，通过低频成分，然后再进行逆傅立叶变换获得滤波图像，就可达到平滑图像的目的 ，以D0为半径的圆内所有频率分量无损通过，圆外所有频率分量完全衰减。

理想低通

实验中截止频率D0分别为10，30，60，160，460。当能量高度集中在截止频率D0为10的圆内，大部分边缘信息包含在被滤去的能量中，所以图像特别模糊，当随着滤波器截止频率D0增加，模糊程度会减小，图像变得越来越清晰。

布特沃斯低通

有效的弥补了理想低通滤波器的不足，改变了通过频率与截止频率间明显截断的尖锐不连续性，采取平滑过渡。查阅资料得知当n=2时无振铃现象，效果最好，所以本实验采用二阶，从实验结果可以看出，当D0取10时，可以明显的看出图像的轮廓，理想低通则看不出轮廓。同样，当D0越大，模糊程度会减小，图像变得越来越清晰。

高斯低通

高斯滤波器的过度特性非常平坦，因此是不会产生振铃现象的。本实验采取和理想低通、巴特沃斯低通相同的参数可见，在相同的D0下，高斯低通比前两种都要轮廓清晰。

高斯低通滤波可以用来对卫星和航空图像减弱扫描线影响，模糊细节，保留目标轮廓

（3）高通滤波器：使高频通过而使低频衰减的滤波器
理想高通

实验中截止频率D0分别为10，30，60，160，460。当边缘信息集中在截止频率D0为10的圆外，大部分灰度信息包含在被滤去的能量中，所以图像比较暗，当随着滤波器截止频率D0增加，越来越多的灰度信息被略去，所以图像只剩下细节，灰度信息包含的特别少，几乎都被置0，图像变黑。

布特沃斯高通

高斯高通

自动指纹识别——高通滤波+阈值法

本实验首先通过高通滤波把边缘细节保留，滤掉灰度值，再通过阈值法增加图像对比度

高斯高通滤波 – 增强图像

本实验首先通过高通滤波把边缘细节保留，滤掉灰度值，其次通过权重k1,k2使差别增强，最后通过直方图均衡化使灰度范围变大，对比度变大，清晰度变大，从而有效增强图像。

（4）陷波滤波器：它阻止(或通过)事先定义的关于频率矩形中心的一个邻域的频率。H_k和H_(-k)是高通滤波器，一个中心位于(u_k,v_k )的陷波在位置(u_(-k),v_(-k) ) 必有一个对应的陷波。陷波滤波器就是自定义的带阻（带通）滤波器。

带阻：

带通：
陷波滤波应用实例 – 减少莫尔(波纹)模式
从原图可以看出其噪声是波纹噪声，画出傅里叶谱后可以看到需要滤掉的应该是这8个点，但这8个点的大小明显不同，所以D0采取了两个不同的值20与10，中心(u_k,v_k )
在坐标轴上左正右负、上正下负，以(u_k,v_k )为中心的陷波与以(u_(-k),v_(-k) ) 为中心的陷波中心对称，所以找到横轴上方的四个点即可。这样就确定了被扣掉的8个区域。

陷波滤波应用实例 – 消除周期性干扰
从原图可以看出其噪声是周期噪声，由于噪声是关于纵轴对称的，画出傅里叶谱后可以看到需要滤掉的应该是中间上下的这两条竖线，同理，只需找到上面那条竖线即可。我把这条竖线看成是由很多截止半径D0=5的小圆点组成，令vk=0,uk用循环初值设为50，步长5（之所以初值为50是因为避开中心点的区域，初值也可设置的再小些），经过以上操作这些点就连成了一条线，就实现了去除周期性的干扰。

3．附录
image1 = imread(‘E:\数字图像处理\第四次作业\Fig0448(a)(characters_test_pattern).tif’);
image2 = Bfilter(image1, 10, 2);
image3 = Bfilter(image1, 30, 2);
image4 = Bfilter(image1, 60, 2);
image5 = Bfilter(image1, 160, 2);
image6 = Bfilter(image1, 460, 2);
subplot(2,3,1), imshow(image1), title(‘原图像布特沃斯’);
subplot(2,3,2), imshow(image2), title(‘D0 = 10, n = 2’);
subplot(2,3,3), imshow(image3), title(‘D0 = 30, n = 2’);
subplot(2,3,4), imshow(image4), title(‘D0 = 60, n = 2’);
subplot(2,3,5), imshow(image5), title(‘D0 = 160, n = 2’);
subplot(2,3,6), imshow(image6), title(‘D0 = 460, n = 2’);
function [image_out] = Bfilter(image_in, D0, N)
[m, n] = size(image_in);
P = 2 * m;Q = 2 * n;
fp = zeros(P, Q);%填充
for i = 1 : m
for j = 1 : n
fp(i, j) = double(image_in(i, j)) * (-1)^(i+j);%变中心m+1,n+1
end
end
F1 = fft2(fp);% 傅里叶变换
Bw = zeros(P, Q);
a = D0^(2 * N);
for u = 1 : P
for v = 1 : Q