目录
介绍
好的，欢迎回到计算机视觉。我们看一下，我们把图像作为函数做了一点，然后开始讨论边缘。然后我们绕了一圈我们讨论了霍夫变换利用这些图像作为证据来提取信息。现在我们回到图像处理上来。现在，我们要讲的是频率分析。在过去，这已经很古老了。现在我们谈论的是40年前，30年，40年前。你们中所有要研究图像的人，你们实际上都是电气工程师，你们会花很多时间来研究这个我们将会广泛讨论的东西。您可以根据所谓的频率响应来定义滤波器和其他类型的图像分析操作。但是你们大多数人更倾向于计算机科学，在那里我们倾向于把图像看作数据结构而不是信号。但其中一些理解仍然至关重要。对于一种被称为混叠现象的现象来说尤其如此。
我知道你们很多人都很熟悉混叠在一种图像透视中你会看到小锯齿，因为你有一条线不能走。非常直接，但实际上这是一种频率现象，事实上，这篇文章和接下来的几节课的目的，是让你们从频率的角度来讨论混叠。它会告诉你为什么，例如，如果你有一个图像你想把它的大小减半，你不应该扔掉每一行，每一列，那样做是不对的，当我们完成这个的时候，你会看到为什么会这样。
达利-西班牙画家
这是一张照片，非常有名的照片，问题是你看到了什么?
好吧，大多数人可能首先看到的是，一幅裸体女人的画风图，如果你仔细看，你会发现下面有一张 亚伯拉罕·林肯 的照片。
但如果你看看这幅画的标题，这是一幅 萨尔瓦多·达利 及其《沉思地中海的盛会》的画，30米处的这幅画成了 亚伯拉罕·林肯 的肖像，现在你不必退后30米，我们只需在何时、何时、何地模糊这幅画就可以了。我把这张照片弄模糊了，看起来是这样的，嗯，是亚伯拉罕·林肯。
问题是，发生了什么? 在这张图片中所有这些高频信息显示你所有这些方块，你看到女人的轮廓，你可以看到她在看远处的东西，你可以看到 亚伯拉罕·林肯 的照片。
但是频率很低时，这是一张合乎情理的 亚伯拉罕·林肯 的照片。
这个想法是，图像可以被分解，实际上任何信号都可以被分解成描述它的一组东西。我们将要学习频率，但我们真正谈论的是所谓的基集。
基集（Basis Set）
什么是基集? 这里我们从维基百科中引用了这个。
向量空间V的基底B是跨越V的线性独立的V子集。解析：一个基底B，你必须讨论一个向量空间，某些东西是向量空间的基集，V是跨越V的线性独立的V子集。
让我们把这些词详述一下：
假设我们有B，它就是这些向量 v1 到 vn，它只是这个域上的一个有限子集。所以来自数学的领域，但我们只讨论更现实的复数。okay，那么一个基集B，如果它满足以下条件：
线性独立。基本上就是说，如果我有一些不同的常数，
到
，这些都是常数。
如果我取一个 常数 乘以 每个向量，我得到一个不同的常数，如果它们的和是0。
然后，所有这些常数都是0。如果你从二维角度考虑，这是一样的。
如果我有两个向量不在同一个方向上，那么如果我把它们结合起来，我就得到这样的答案。
那么距离可以为0的唯一方法是两个系数都是0。这就是线性独立性。
上图是所谓的跨越性质。记住它是跨越这个向量场。这意味着对于这个向量空间中的任何向量，我可以用基集的一些线性和来创建它。再讲一次，这里基本的思想是，我们通常认为一个基集是垂直的，但它不一定是垂直的。所以，如果我有这个，我已经把它作为我的两个基本元素，我想创建一个类似那个虚线的向量。
然后，基本上，我要做的是我要取一些水平的倍数加上一些垂直的倍数我们会得到这张图。
顺便说一下，你们大多数人都习惯了正交基集。我们说过它们必须是独立的。现在，如果基集是正交的，那么我们将在一分钟内更多地讨论它，因为正交意味着它是为了让我弄清楚向量中有多少x。我根本不用担心y，因为y量和它不会影响x量，因为它们是正交的。
另一种说法是如果我取一个向量，我取一个与x方向的乘积我得到一个值，y方向的乘积我得到另一个值。如果我取每一个点积乘以它们的基向量，然后把它们加起来，就得到了新的向量。这是因为x和y是正交的，这很有用，如果你的基集是正交的。但从技术上讲，它们不需要正交，它们只需要独立。这样就能得到任意向量。
傅里叶级数（Fourier Series）
如果我们有一个图像基集，我们稍微讨论一下这意味着什么，这对于分析很有用，特别是对于线性系统，因为我们可以独立地考虑每个基分量。为什么这是正确的？因为你记得，在线性系统中的东西就是求总和。
因此，如果我可以说一些算子如何应用于基组的每个元素，然后我只需要对它进行缩放并求和它，然后我就知道这个算子如何应用于整个图像。这就是原因的一部分，我们将要经历整个基集分解，因为我们的大多数操作都是线性操作。我在很久以前谈论过的滤波器理论等等，这些都是基于线性的操作类型。
要考虑图像的基集，我们现在要思考的是，图像只是在一个非常大的空间中的单个点。所以，如果我有一个空间，那么N * N图像，所以让我们假设它是100*100.所以 100*100=10,000，所以你可以把整个图像想象成10,000维向量，如果你想的话，那没关系。
那么，10000维向量空间的基集是什么？
嗯，一个特定的基集就是我们通常使用的基集。除了在x、y、z、p、q和r 这样的元素之一中有一个1之外，其他的我们都做0，在到达10000之前，字母用完了。但是基本上每个地方都有一个1。
现在，这些是独立的吗?
是的。因为如果我对它们进行求总和，得到零向量的唯一方法是，如果我每个都有零倍数，因为它们是独立的，它们不会相互影响。但它确实不是一个非常有用的基集，因为这些基向量中的每一个，即一个，只是一个像素。所以告诉我，它对单个像素的行为如何，这不是一个特别有用的基集。
取而代之的是我们将要看一个不同的基集。它是一个基集，它在研究这个图像（红色圆圈），或者说根据任何图像它在不同方向的变化有多快。
所以，这里你看到的第一个图像是没有变化的，你可以把它看作一个恒定的强度。
当你向右移动时，它开始摆动得越来越快。当你往下移动时，它会以越来越快的速度摆动，但这两个方向是水平方向，
如果你把这两个方向组合起来，就会得到这些不同的方向。
顺便说一下，蓝色和绿色是两个不同的图片，你可以把它们想象成像是正弦（sine）和余弦（cosines），不过有点偏离主题了。
这个基集有一个名字，它被称为傅里叶基（Fourier Basis），或者傅里叶分解（Fourier Decomposition）。它是以约翰·巴普蒂斯特·约瑟夫·傅里叶的名字命名的。
因此，他有一个疯狂的想法，1807年的一个疯狂的想法，任何周期函数，这是一个重复的函数，可以重写为加权和。快速的阐述就是重写为不同频率的正弦和余弦的加权和，换句话说，你可以制作任何重复的模式，无论它看起来如何，只要它最终重复使用正弦和余弦。
所以，你不相信?
你不是一个人这么想。在那个时候，你可能听说过其他一些人，比如拉普拉斯，泊松和其他数学家。他们也不相信，有很多争议。关于傅里叶的证明是否正确的问题，结果证明他的结果是正确的。这个问题非常有争议直到他死后40年才被翻译成英语。但是就像我们说的那样，这个级数是正确的，现在，既然他已经去世了，很有名了，我们把它叫做傅里叶级数（Fourier Series）。我们将从 傅里叶级数 到 傅里叶变换 再到 离散傅里叶变换，这样你们就知道我们的方向了。
加深理解傅里叶：
https://blog.csdn.net/wenzhilu/article/details/79079183
——学会编写自己的代码，才能练出真功夫。
1608
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
