dft变换的两幅图_图像的时频变换——离散傅里叶变换 - One thing I know,that is I know nothing.(Socrates Greek) - ITeye博客...

一直很纳闷，几乎所有数字图像处理的书都会介绍数字时频变换，但是却很少书会讲时频变换的作用，这也是让我一直很疑惑的地方(不过也极有可能是本人愚钝)。频谱技术通常用于提高图像的处理操作速率，频谱相当于是图像的特征，时频变换虽然是一种数学技巧，但是运用到数字图像处理上会方便和简单。研究的图像变换基本上都是正交变换，正交变换可以减少图像数据的相关性，获取图像的整体特点，有利于用较少的数据量表示原始图像，这对图像的分析、存储以及图像的传输都是非常有意义的。这里介绍了离散傅立叶变换、离散余弦变换、沃尔什－哈达玛变换及小波变换的基本理论和知识并进行图像时频变换实验。

一、二维离散傅里叶变换

一个图像尺寸为M×N的 函数f(x，y)的离散傅里叶变换由以下等式给出：

其中 u=0,1,2,...,M-1和v=0,1,2,...,N-1。其中变量u和v用于确定它们的频率，频域系统是由F(u,v)所张成的坐标系，其中u和v用做(频率)变量。空间域是由f(x,y)所张成的坐标系。可以得到频谱系统在频谱图四角(0,0)，(0,N-1)，(N-1,0)，(N-1,N-1)处沿u和v方向的频谱分量均为0。

离散傅里叶逆变换由下式给出：

令R和I分别表示F的实部和需部，则傅里叶频谱，相位角，功率谱(幅度)定义如下：

在频谱的原点变换值称为傅里叶变换的直流分量，下面是傅里叶变换的周期公式：

DFT实现仅计算一个周期，所以可以处理M X N的数组，由周期性可知，A，B，C，D是四个分别的四分之一周期。

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小(可以这么理解，图像中的低频部分指低梯度的点，高频部分相反)。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的(因为各点与邻域差异都不大，梯度相对较小)，反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。变换最慢的频率成分(u=v=0)对应一幅图像的平均灰度级。当从变换的原点移开时，低频对应着图像的慢变换分量，较高的频率开始对应图像中变化越来越快的灰度级。这些事物体的边缘和由灰度级的突发改变(如噪声)标志的图像成分。通常在进行傅里叶变换之前用(-1)^(x+y)乘以输入的图像函数，这样就可以将傅里叶变换的原点F(0,0)移到(M/2,N/2)上。

二、算法原理

离散快速傅里叶变换(FFT)是在离散傅立叶变换(DFT)的基础上改进的，为了更好的理解FFT算法，先对DFT进行梳理下，

1、DFT运算的特点：

首先分析有限长序列x(n)进行一次DFT运算所需的运算量。

一般，x(n)和

都是复数，因此，每计算一个X(k)值，要进行N次复数相乘，和N-1次复数相加，X(k)一共有N个点，故完成全部DFT运算，需要N^2次复数相乘和N(N-1)次复数相加，在这些运算中，乘法比加法复杂，需要的运算时间多，尤其是复数相乘，每个复数相乘包括4个实数相乘和2个实数相加，例

又每个复数相加包括2个实数相加，所以，每计算一个X(k)要进行4^N次实数相乘和2N+2(N-1)=2(2N-1)次实数相加，因此，整个DFT运算需要4N^2实数相乘和2N(2N-1)次实数相加。

2、FFT算法的基本思想：

考察DFT与IDFT的运算发现，利用以下两个特性可减少运算量：

1)系数

是一个周期函数，它的周期性和对称性可用来改进运算，提高计算效率。

例

又如因此

因此

利用这些周期性和对称性，使DFT运算中