本文详细介绍了图像处理中的正交变换，包括线性系统、卷积、相关和正交变换的概念及其应用。重点讨论了正交变换的理论，如正交函数的完备性和离散情况，并详细阐述了各种正交变换，如傅里叶变换、离散哈特利变换、离散余弦变换等，以及它们的性质和实际应用。
图像处理中的正交变换
图像的频域变换
线性系统
定义：两个不同的输入，通过线性系统得到两个不同的输出，如果这两个输入叠加输入线性系统，得到的输出为单独输入得到的输出的叠加
线性系统移不变性：输入信号沿时间轴平移T输出也沿时间轴平移T
卷积
对于线性系统的输入 f ( t ) 和 输 出 y ( t ) f(t)和输出y(t) f(t)和输出y(t)，必定存在关系：
y ( t ) = f ( t ) ∗ h ( t ) = ∫ − ∞ ∞ f ( τ ) h ( t − τ ) d τ y(t)=f(t)*h(t)=\int_{-\infty}^{\infty}f(\tau)h(t-\tau)d\tau y(t)=f(t)∗h(t)=∫−∞∞f(τ)h(t−τ)dτ
离散一维卷积
y ( i ) = f ( i ) ∗ h ( i ) = ∑ j f ( j ) h ( i − j ) y(i)=f(i)*h(i)=\sum_j f(j)h(i-j) y(i)=f(i)∗h(i)=j∑f(j)h(i−j)
二维卷积
y ( x , y ) = f ∗ h = ∫ − ∞ ∞ ∫ − ∞ ∞ f ( i , j ) h ( x − i , y − i ) d i d j y(x,y)=f*h=\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(i,j)h(x-i,y-i)didj y(x,y)=f∗h=∫−∞∞∫−∞∞f(i,j)h(x−i,y−i)didj
离散二维卷积
y ( x , y ) = f ∗ h = ∑ i ∑ j f ( i , j ) h ( x − i , y − i ) y(x,y)=f*h=\sum_i\sum_jf(i,j)h(x-i,y-i) y(x,y)=f∗h=i∑j∑f(i,j)h(x−i,y−i)
相关
R f g ( t ) = f ( t ) ∙ g ( t ) = ∫ − ∞ ∞ f ( τ ) h ( t + τ ) d τ R_{fg}(t)=f(t)\bullet g(t)=\int_{-\infty}^{\infty}f(\tau)h(t+\tau)d\tau R
最低0.47元/天 解锁文章
扫一扫
906
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
