频率域滤波

二维连续傅里叶变换

• 傅里叶变换：
  $$F(u,v)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(x,y)e^{-j2\pi (ux+vy)}dxdy$$

• 反傅里叶变换：
  $$f(x,y)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }F(u,v)e^{j2\pi (ux+vy)}dudv$$

• 二维冲激串：
  $$s_{\Delta T\Delta Z}(x,y)=\sum _{m=-\infty }^{\infty }\sum _{n=-\infty }^{\infty }\delta (x-m\Delta T,y-n\Delta Z)$$

• 二维取样定理：对于连续带限函数$f(x,y)$，当采样率$\frac{1}{\Delta T}>2u_{max}$且$\frac{1}{\Delta K}>2v_{max}$，可以从$\bar{F}(u,v)=F(u,v)\ast S(u,v)$中无误的恢复$F(u,v)$

二维离散傅里叶变换

• DFT
  $$F(u,v)=\sum _{x=0}^{M-1}\sum _{y=0}^{N-1}f(x,y)e^{\frac{-2\pi jux}{M}+\frac{-2\pi jvy}{N}}$$

• IDFT
  $$f(x,y)=\frac{1}{MN}\sum _{u=0}^{M-1}\sum _{v=0}^{N-1}F(u,v)e^{\frac{2\pi jux}{M}+\frac{2\pi jvy}{N}}$$

• 对于复数$e^{\theta j}$，其共轭是$e^{-\theta j}$

• 用DFT计算IDFT：$MN{f}^{\ast }(x,y)={\sum }_{y=0}^{N-1}{F}^{\ast }(x,y)e^{\frac{-2\pi jux}{M}+\frac{-2\pi jvy}{N}}$

性质

• 图像平移
  $$f(x,y)\cdot e^{\frac{-2\pi j{u}_{0}x}{M}+\frac{-2\pi j{v}_{0}y}{N}}⟺F(u-u_0,v-v_0)$$

  $$f(x-x_0,y-y_0)⟺F(u,v)\cdot e^{\frac{-2\pi ju{x}_0}{M}+\frac{-2\pi jv{y}_0}{N}}$$

  也就是说，可以$f(x,y)\cdot (-1{)}^{xy}$，将$F(u,v)$的原点移动到图像中心 (中心化)。

• 图像旋转
  $$x=r\cos \theta ,y=r\sin \theta ,u=w\cos \varphi ,v=w\sin \varphi$$

  $$f(r,\theta -{\theta }_0)⟺F(w,\varphi -{\varphi }_0),{\theta }_0={\varphi }_0$$

• 周期性
  $$\begin{array}{r}f(x,y)=f(x+k_{1}M,y+k_{2}N)\\ F(u,v)=F(u+k_{1}M,v+k_{2}N)\end{array}$$

• 对称性

  • 根据函数分析，任意复变函数可以表示为一个奇数函数 (odd) 和一个偶数函数 (even) 的加和：

  $$w(x,y)=w_e(x,y)+w_o(x,y)$$

  ​ 其中，定义：
  $$\begin{array}{r}{w}_e(x,y):=\frac{w(x,y)+w(-x,-y)}{2}\\ w_o(x,y):=\frac{w(x,y)-w(-x,-y)}{2}\end{array}$$
  ​ 并且，$w_e(x,y)=w_e(-x,-y),w_o(x,y)=-w_o(-x,-y)$，偶函数是对称的 (偶对称的)，奇函数是反对称的 (奇对称的)。

  • 令$F(u,v)=R(u,v)+j\cdot I(u,v)$，其中$R,I$都是实函数；共轭为$F^{\ast }(u,v)=R(u,v)-j\cdot I(u,v)$

  $$\begin{array}{r}f(x,y)实函数⟺F^{\ast }(u,v)=F(-u,-v)；共轭对称\\ f(x,y)虚函数⟺F^{\ast }(u,v)=-F(-u,-v)；共轭反对称\\ f(x,y)实函数⟺R(u,v)偶函数，I(u,v)奇函数\\ f(x,y)虚函数⟺R(u,v)奇函数，I(u,v)偶函数\\ f(x,y)奇的复函数⟺F(u,v)奇的复函数\\ f(x,y)偶的复函数⟺F(u,v)偶的复函数\\ f(x,y)奇的虚函数⟺F(u,v)奇的实函数；虚变实\\ f(x,y)偶的虚函数⟺F(u,v)偶的虚函数；不变\\ f(x,y)奇的实函数⟺F(u,v)奇的虚函数；实变虚\\ f(x,y)偶的实函数⟺F(u,v)偶的实函数；不变\end{array}$$

  • 第一条性质最常用：实函数的傅里叶变换是共轭对称的。

常见傅里叶变换对

• 离散单位冲击：$\delta (x,y)⟺1,1⟺MN\cdot \delta (u,v)$

• 矩形函数：
  $$rect[a,b]⟺ab\cdot \frac{sin(ua\pi )}{ua\pi }\cdot \frac{sin(vb\pi )}{vb\pi }\cdot e^{-j\pi (ua+vb)}$$
  定义归一化的$sinc$函数：$sinc(x):=\frac{\sin (\pi x)}{\pi x}$

• 三角函数：
  $$sin(2\pi u_{0}x/M+2\pi v_{0}y/N)⟺\frac{jMN}{2}[\delta (u+u_0,v+v_0)-\delta (u-u_0,v-v_0)]$$

  $$cos(2\pi u_{0}x/M+2\pi v_{0}y/N)⟺\frac{MN}{2}[\delta (u+u_0,v+v_0)+\delta (u-u_0,v-v_0)]$$

• 偏导数：
  $$(\frac{\partial }{\partial x}{)}^m(\frac{\partial }{\partial y}{)}^{n}f(x,y)⟺(j2\pi u{)}^m(j2\pi v{)}^{n}F(u,v)$$

• 高斯函数：
  $$A{e}^{-2{\pi }^2{\sigma }^2(x^2+y^2)}⟺\frac{A}{2\pi {\sigma }^2}{e}^{-(u^2+v^2)/2{\sigma }^2}$$

频谱、相角

• 二维DFT是复函数，可以用极坐标表示：$F(u,v)=|F(u,v)|\cdot e^{j\varphi (u,v)}$

• 频谱：$|F(u,v)|=\sqrt{R^2(u,v)+I^2(u,v)}$

• 相角：$\varphi (u,v)=\arctan \frac{I(u,v)}{R(u,v)}$

• 功率谱：$|F(u,v){|}^2=R^2(u,v)+I^2(u,v)$

• 由于实函数$f(x,y)$的傅里叶变换$F(u,v)$是共轭对称的，于是：

  • 频谱是偶对称的，$|F(u,v)|=|F(-u,-v)|$
  • 相角是奇对称的，$\varphi (u,v)=-\varphi (-u,-v)$
  • $F(0,0)=|F(0,0)|=MN\cdot \bar{f}(x,y)$，其中$\bar{f}(x,y)$是平均灰度

• 图像平移
  $$f(x-x_0,y-y_0)⟺F(u,v)\cdot e^{-2\pi j(\frac{u{x}_0}{M}+\frac{v{y}_0}{N})}$$

  由于：

  $$e^{-2\pi j(\frac{u{x}_0}{M}+\frac{v{y}_0}{M})}=\cos \theta +j\sin \theta ,\theta (u,v)=-2\pi (\frac{u{x}_0}{M}+\frac{v{y}_0}{N})$$

  变为极坐标表示：$e^{-2\pi j(\frac{u{x}_0}{M}+\frac{v{y}_0}{M})}⟺(1,\theta )$

  两复数相乘，就是相角相加，频谱相乘。

  因此，对于图像平移，频谱阵列不改变，但各个相角会各自旋转 (注意不是相角阵列的旋转) 一定角度 (但旋转角度杂乱无章，绘制相角图像很难看出有效信息)

  对于$x_0=M/2,y_0=N/2$，那么$\theta (u,v)\equiv \pi (u+v)\mathrm{m}\mathrm{o}\mathrm{d}2\pi$

  对于$x_0=1,y_0=1$，那么$\theta (u,v)=\frac{-2\pi }{M}\cdot u+\frac{-2\pi }{N}\cdot v$

• 图像旋转
  $$f(r,\theta -{\theta }_0)⟺F(w,\varphi -{\varphi }_0),{\theta }_0={\varphi }_0$$
  易知，对于图像旋转，频谱阵列会旋转相同角度；相角阵列也会变化，但很难用肉眼看出什么有用信息。

• 频谱阵列，包含原图像的灰度信息 (替换成不同的频谱，看起来像是加入了噪声)

• 相角阵列，包含原图像的形状信息 (对于复原图像十分关键)

频率域滤波

• 给定$M\times N$大小的原图像$f(x,y)$，零填充到$(P=2M)\times (Q=2N)$大小的$f_p$，$f$位于$f_p$的左上象限
• 用$(-1{)}^{xy}$和$f_p$做阵列乘，将傅里叶变换的原点移到中心
• 计算DFT，得到$F(u,v)$；它的中心是低频分量，四周是高频分量
• 确定一个实的滤波器$H(u,v)$，计算阵列乘$G(u,v)=F(u,v)H(u,v)$
• 计算IDFT，保留实数部分$R(x,y)$，得到$g_p$
• 用$(-1{)}^{xy}$和$g_p$做阵列乘，逆中心化
• 截取左上象限，得到处理过的图像$f^{\prime }(x,y)$

滤波器

• 距离：$D(u,v)=\sqrt{(u-P/2{)}^2+(v-Q/2{)}^2}$

• 理想低通滤波器(ILPF)
  $$H(u,v)=\{\begin{array}{rlr}1,& & D(u,v)\le D_0\\ 0,& & D(u,v)>D_0\end{array}$$
  由于ILPF在$D_0$处突变，因此它的$h(x,y)$有$sinc$的形状，将引起振铃现象。

• 布特沃斯低通滤波器(BLPF)：$H(u,v)=\frac{1}{1+(D(u,v)/D_0{)}^{2n}}$，n阶；截止频率处$D(u,v)=D_0$，$H(u,v)=0.5$。低阶BLPF振铃现象难以察觉，但高阶DLPF会有明显的振铃。

• 高斯低通滤波器(GLPF)：$H(u,v)=A{e}^{-\frac{D^2(u,v)}{2{\sigma }^2}}$；令截止频率$D_0=\sigma$，当$D(u,v)=D_0$时，$H(u,v)=0.607$。GLPF没有振铃。

• 理想高通滤波器(IHPF)
  $$H(u,v)=\{\begin{array}{rlr}0,& & D(u,v)\le D_0\\ 1,& & D(u,v)>D_0\end{array}$$

• 生成对应的高通滤波器：$H_{HP}(u,v)=1-H_{LP}(u,v)$

• LPF通过低频分量，抑制高频分量，用于平滑图像 (去除噪声，但图像变模糊)

• HPF通过高频分量，抑制低频分量，用于锐化图像 (注意，直流分量$F(0,0)$携带图像平均灰度)

• 理想带阻滤波器
  $$H(u,v)=\{\begin{array}{rlr}0,& & D_0-W/2\le D(u,v)\le D_0+W/2\\ 1,& & others\end{array}$$
  用于去除周期噪声(在频率域形成一个圆圈)。

• 理想带通滤波器
  $$H(u,v)=\{\begin{array}{rlr}1,& & D_0-W/2\le D(u,v)\le D_0+W/2\\ 0,& & others\end{array}$$