1.什么是傅里叶变换?
https://zhuanlan.zhihu.com/p/19763358
2.傅里叶变换都有哪几种?
1、连续时间周期信号:处理时间连续并且具有周期性的信号,其频域上离散,非周期。
2、连续时间非周期信号:处理时间连续但是不具有周期性的信号,其频域上连续,非周期。
3、离散时间非周期信号:处理时间离散,不具有周期性的信号,其频域上连续,有周期性。
4、离散时间周期信号:处理时间离散,具有周期性的信号,其频域上离散,有周期性。
作者:李弢
链接:https://www.zhihu.com/question/21314374/answer/123274564
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
3.离散傅里叶变换的理解:
https://zhuanlan.zhihu.com/p/24660766
今晚难得跨年之夜,于是决定放慢复习的脚步,浅谈一下DFT的实现过程!
首先,我们要知道DFT是属于数字信号处理范畴的是吧,数字信号处理,从名字就知道毫无疑问是把信号交给计算机处理,计算机处理的信号必须符合两点要求:1.有限长度,有限长度,有限长度!2.离散信号,离散信号,离散信号!
只是重要的事情说三遍啦!
好了,现在允许我来做一个假设,假定计算机要处理这样一个连续信号:
毕竟是浅谈嘛,就再假设该信号的频谱为:
好了,如果计算机要处理这个信号时,是非常希望可以得到上述时域与频域离散化的信号:
******************************分割线****************************************
但是,在现实情况中,当计算机用ADC对信号离散化采样后得到
后:
通过采样定理,可以知道的频谱为原频谱的周期延拓,如下图:
且不说该频谱长度无限长,同时也是连续信号,计算机无法求出和处理这样的频谱序列,怎么把它转化为有限而且离散的序列呢,DFT的精华就在于此!
首先,我们把进行周期延拓,得到以下序列
:
当一离散非周期信号进行周期延拓变成一离散周期信号时,该离散周期信号的频谱相当于在原离散非周期信号的频谱中进行周期采样,所以上述周期离散信号的频谱为:
当把频谱变为离散化后,只要截取其中一个周期,就可以获得适合计算机处理的频域信号:
截取之后,我们就可以得到适合计算机处理的时域和频域信号了:
如果计算机只有一段有限离散的频谱信号呢,该怎么求对应的时域信号?你可以在这里为起点,看图往上看逆推一遍便知道方法了!
*************************************分割线*******************************************
毕竟浅谈,里面包含的公式推理等就不在这阐述了,里面涉及到的公式需要大家仔细去琢磨,不过在总体上看,DFT可以总结归纳为两部分:
1.从有限离散频谱序列求有限离散时域序列
:
,其中仅当
有效,其余项均为0。
2.从有限离散时域序列求有限离散频谱序列
:
,其中仅当
有效,其余项均为0。
由于水平有限,发现错误希望不吝提出,谢谢!
4.DFT的频谱图理解:
https://www.jianshu.com/p/d99dbd691176
高频:细节、纹理
低频:轮廓信息
1、傅里叶变换之后,频谱图有几个特点:
① 中心点是原图整幅图像的平均灰度,频率为0,从图像中心向外,频率增高。即中心对应低频,外围对应高频。
②如果原图中有明显的横纹(竖纹),那么频谱图中就会有鲜明的竖线(横线)。
2、通过控制傅里叶频谱中某些点,再观察变换回原图的状态,就能有一个比较好的理解了。
image.png
下图中,保留中心低频,即去除外围高频,相当于滤掉了图片的高频(边缘)部分,图片自然变得模糊。
image.png
下图中,保留中心高频,即去除外围低频,相当于保留了边缘部分,滤掉了中心低频部分。
image.png
作者:行走行囊
链接:https://www.jianshu.com/p/d99dbd691176
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。
5.二维图像的傅里叶变换流程:
二维离散傅里叶变换
人们一般都在空间域来描述图像,即通过二维空间坐标上的灰度值来表征出图像的形状、纹理、尺寸等特征,这也是最为直观且被人所接受的图像表达方式。而傅里叶变换的出现给了图像分析一个全新的角度:频域。在二维图像角度,频率的高低表征的是原图灰度的变化剧烈程度,也就是空间域中所指的梯度。背景区域等灰度变化缓慢的区域,梯度较低,处于频域中的低频部分,边缘、噪声等灰度变化快的区域,梯度较高,处于频域中的高频部分。一般的图片低频的内容会占大多数部分。
二维离散傅里叶变换公式:
其中F(u,v)为傅里叶变换结果,u和v为频率分量,f(x,y)为原图,M和N为图像的宽度和高度。
特例:当u,v均为0时,F(0,0)的值为原图f(x,y)的均值,虚部为0,被称之为直流分量。
计算得到的结果为复数,分为实部和虚部,图像处理中一般求取其模(频率幅值),并反向投影回以u,v为坐标轴的二维空间进行分析。
|F(u,v)| = sqrt(R(u,v)^2+I(u,v)^2)
其中R(u,v)和I(u,v)分别为实部和虚部。
由于求取的频率幅值跨幅巨大,并不适合直接反向投影回二维图像空间来观察,所以一般会将结果求取对数,将结果从线性尺度变换到对数尺度:
D(u,v) = log(1+|F(u,v)|)
再进行归一化后即可以灰度值的方式直观的看到幅值的高低变化,即图像的频谱图。
另外,基于傅里叶变换的对称性,为了便于观察频谱图,一般会将原点F(0,0)平移到图像中心,使得低频区域位于图像中部,高频区域位于图像外围。
实现方式有两种:
(1):将原图f(x,y)乘以(-1)^(x+y)后再做傅里叶变换
(2):直接做傅里叶变换,之后将频谱图以N/2,M/2为线划分成四个区域,位于对角线的两两区域对调位置,如图:
一张图像在变换到频域后的成分分布可以参考下图:
---------------------
作者:Robin_Chien
来源:CSDN
原文:https://blog.csdn.net/robin1987z/article/details/48914651
版权声明:本文为博主原创文章,转载请附上博文链接!