二维连续傅里叶变换
-
傅里叶变换:
F ( u , v ) = ∫ − ∞ ∞ ∫ − ∞ ∞ f ( x , y ) e − j 2 π ( u x + v y ) d x d y F(u,v) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x,y)e^{-j2\pi(ux+vy)} \,dx\,dy F(u,v)=∫−∞∞∫−∞∞f(x,y)e−j2π(ux+vy)dxdy -
反傅里叶变换:
f ( x , y ) = ∫ − ∞ ∞ ∫ − ∞ ∞ F ( u , v ) e j 2 π ( u x + v y ) d u d v f(x,y) = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} F(u,v)e^{j2\pi(ux+vy)} \,du\,dv f(x,y)=∫−∞∞∫−∞∞F(u,v)ej2π(ux+vy)dudv -
二维冲激串:
s Δ T Δ Z ( x , y ) = ∑ m = − ∞ ∞ ∑ n = − ∞ ∞ δ ( x − m Δ T , y − n Δ Z ) s_{\Delta T \Delta Z}(x,y) = \sum_{m=-\infty}^{\infty} \sum_{n=-\infty}^{\infty} \delta(x-m\Delta T,\, y-n\Delta Z) sΔTΔZ(x,y)=m=−∞∑∞n=−∞∑∞δ(x−mΔT,y−nΔZ) -
二维取样定理:对于连续带限函数 f ( x , y ) f(x,y) f(x,y),当采样率 1 Δ T > 2 u m a x \dfrac{1}{\Delta T} > 2u_{max} ΔT1>2umax且 1 Δ K > 2 v m a x \dfrac{1}{\Delta K} > 2v_{max} ΔK1>2vmax,可以从 F ˉ ( u , v ) = F ( u , v ) ∗ S ( u , v ) \bar F(u,v) = F(u,v)*S(u,v) Fˉ(u,v)=F(u,v)∗S(u,v)中无误的恢复 F ( u , v ) F(u,v) F(u,v)
二维离散傅里叶变换
-
DFT
F ( u , v ) = ∑ x = 0 M − 1 ∑ y = 0 N − 1 f ( x , y ) e − 2 π j u x M + − 2 π j v y N F(u,v) = \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x,y) e^{\frac{-2\pi j ux}{M} + \frac{-2\pi j vy}{N}} F(u,v)=x=0∑M−1y=0∑N−1f(x,y)eM−2πjux+N−2πjvy -
IDFT
f ( x , y ) = 1 M N ∑ u = 0 M − 1 ∑ v = 0 N − 1 F ( u , v ) e 2 π j u x M + 2 π j v y N f(x,y) = \dfrac{1}{MN}\sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u,v) e^{\frac{2\pi j ux}{M} + \frac{2\pi j vy}{N}} f(x,y)=MN1u=0∑M−1v=0∑N−1F(u,v)eM2πjux+N2πjvy -
对于复数 e θ j e^{\theta j} eθj,其共轭是 e − θ j e^{-\theta j} e−θj
-
用DFT计算IDFT: M N f ∗ ( x , y ) = ∑ y = 0 N − 1 F ∗ ( x , y ) e − 2 π j u x M + − 2 π j v y N MNf^*(x,y) = \sum_{y=0}^{N-1} F^*(x,y) e^{\frac{-2\pi j ux}{M} + \frac{-2\pi j vy}{N}} MNf∗(x,y)=∑y=0N−1F∗(x,y)eM−2πjux+N−2πjvy
性质
-
图像平移
f ( x , y ) ⋅ e − 2 π j u 0 x M + − 2 π j v 0 y N ⟺ F ( u − u 0 , v − v 0 ) f(x,y) \cdot e^{\frac{-2\pi j u_0 x}{M} + \frac{-2\pi j v_0 y}{N}} \iff F(u-u_0,v-v_0) f(x,y)⋅eM−2πju0x+N−2πjv0y⟺F(u−u0,v−v0)f ( x − x 0 , y − y 0 ) ⟺ F ( u , v ) ⋅ e − 2 π j u x 0 M + − 2 π j v y 0 N f(x-x_0,y-y_0) \iff F(u,v) \cdot e^{\frac{-2\pi j u x_0}{M} + \frac{-2\pi j v y_0}{N}} f(x−x0,y−y0)⟺F(u,v)⋅eM−2πjux0+N−2πjvy0
也就是说,可以 f ( x , y ) ⋅ ( − 1 ) x y f(x,y) \cdot (-1)^{xy} f(x,y)⋅(−1)xy,将 F ( u , v ) F(u,v) F(u,v)的原点移动到图像中心 (中心化)。
-
图像旋转
x = r cos θ , y = r sin θ , u = w cos ϕ , v = w sin ϕ x=r\cos{\theta},\, y=r\sin{\theta},\, u=w\cos{\phi},\, v=w\sin{\phi} x=rcosθ,y=rsinθ,u=wcosϕ,v=wsinϕf ( r , θ − θ 0 ) ⟺ F ( w , ϕ − ϕ 0 ) , θ 0 = ϕ 0 f(r,\theta-\theta_0) \iff F(w,\phi-\phi_0),\,\theta_0 = \phi_0 f(r,θ−θ0)⟺F(w,ϕ−ϕ0),θ0=ϕ0
-
周期性
f ( x , y ) = f ( x + k 1 M , y + k 2 N ) F ( u , v ) = F ( u + k 1 M , v + k 2 N ) \begin{aligned} f(x,y) = f(x+k_1M,y+k_2N)\\ F(u,v) = F(u+k_1M,v+k_2N)\\ \end{aligned} f(x,y)=f(x+k1M,y+k2N)F(u,v)=F(u+k1M,v+k2N) -
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 ) w(x,y)=w_e(x,y) + w_o(x,y) w(x,y)=we(x,y)+wo(x,y)
其中,定义:
w e ( x , y ) : = w ( x , y ) + w ( − x , − y ) 2 w o ( x , y ) : = w ( x , y ) − w ( − x , − y ) 2 \begin{aligned} w_e(x,y) := \dfrac{w(x,y)+w(-x,-y)}{2}\\ w_o(x,y) := \dfrac{w(x,y)-w(-x,-y)}{2}\\ \end{aligned} we(x,y):=2w(x,y)+w(−x,−y)wo(x,y):=2w(x,y)−w(−x,−y)
并且, w e ( x , y ) = w e ( − x , − y ) , w o ( x , y ) = − w o ( − x , − y ) w_e(x,y) = w_e(-x,-y),\,w_o(x,y) = -w_o(-x,-y) we(x,y)=we(−x,−y),wo(x,y)=−wo(−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 ⋅ I ( u , v ) F(u,v)=R(u,v)+j \cdot I(u,v) F(u,v)=R(u,v)+j⋅I(u,v),其中 R , I R,I R,I都是实函数;共轭为 F ∗ ( u , v ) = R ( u , v ) − j ⋅ I ( u , v ) F^*(u,v) = R(u,v)-j \cdot I(u,v) F∗(u,v)=R(u,v)−j⋅I(u,v)
f ( x , y ) 实 函 数 ⟺ F ∗ ( u , v ) = F ( − u , − v ) ; 共 轭 对 称 f ( x , y ) 虚 函 数 ⟺ F ∗ ( 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 \begin{aligned} f(x,y)实函数 \iff F^*(u,v) = F(-u,-v);共轭对称\\ f(x,y)虚函数 \iff F^*(u,v) = -F(-u,-v);共轭反对称\\ f(x,y)实函数 \iff R(u,v)偶函数,I(u,v)奇函数\\ f(x,y)虚函数 \iff R(u,v)奇函数,I(u,v)偶函数\\ f(x,y)奇的复函数 \iff F(u,v)奇的复函数\\ f(x,y)偶的复函数 \iff F(u,v)偶的复函数\\ f(x,y)奇的虚函数 \iff F(u,v)奇的实函数;虚变实\\ f(x,y)偶的虚函数 \iff F(u,v)偶的虚函数;不变\\ f(x,y)奇的实函数 \iff F(u,v)奇的虚函数;实变虚\\ f(x,y)偶的实函数 \iff F(u,v)偶的实函数;不变\\ \end{aligned} f(x,y)实函数⟺F∗(u,v)=F(−u,−v);共轭对称f(x,y)虚函数⟺F∗(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
- 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: δ ( x , y ) ⟺ 1 , 1 ⟺ M N ⋅ δ ( u , v ) \delta(x,y) \iff 1,\,1 \iff MN \cdot \delta(u,v) δ(x,y)⟺1,1⟺MN⋅δ(u,v)
-
矩形函数:
r e c t [ a , b ] ⟺ a b ⋅ s i n ( u a π ) u a π ⋅ s i n ( v b π ) v b π ⋅ e − j π ( u a + v b ) rect[a,b] \iff ab \cdot \dfrac{sin(ua\pi)}{ua\pi} \cdot \dfrac{sin(vb\pi)}{vb\pi} \cdot e^{-j\pi(ua+vb)} rect[a,b]⟺ab⋅uaπsin(uaπ)⋅vbπsin(vbπ)⋅e−jπ(ua+vb)
定义归一化的 s i n c sinc sinc函数: s i n c ( x ) : = sin ( π x ) π x sinc(x) := \dfrac{\sin(\pi x)}{\pi x} sinc(x):=πxsin(πx) -
三角函数:
s i n ( 2 π u 0 x / M + 2 π v 0 y / N ) ⟺ j M N 2 [ δ ( u + u 0 , v + v 0 ) − δ ( u − u 0 , v − v 0 ) ] sin(2\pi u_0 x/M + 2\pi v_0 y/N) \iff \dfrac{jMN}{2}[\delta(u+u_0,v+v_0) - \delta(u-u_0,v-v_0)] sin(2πu0x/M+2πv0y/N)⟺2jMN[δ(u+u0,v+v0)−δ(u−u0,v−v0)]c o s ( 2 π u 0 x / M + 2 π v 0 y / N ) ⟺ M N 2 [ δ ( u + u 0 , v + v 0 ) + δ ( u − u 0 , v − v 0 ) ] cos(2\pi u_0 x/M + 2\pi v_0 y/N) \iff \dfrac{MN}{2}[\delta(u+u_0,v+v_0) + \delta(u-u_0,v-v_0)] cos(2πu0x/M+2πv0y/N)⟺2MN[δ(u+u0,v+v0)+δ(u−u0,v−v0)]
-
偏导数:
( ∂ ∂ x ) m ( ∂ ∂ y ) n f ( x , y ) ⟺ ( j 2 π u ) m ( j 2 π v ) n F ( u , v ) (\frac{\partial}{\partial x})^m (\frac{\partial}{\partial y})^n f(x,y) \iff (j2\pi u)^m (j2\pi v)^n F(u,v) (∂x∂)m(∂y∂)nf(x,y)⟺(j2πu)m(j2πv)nF(u,v) -
高斯函数:
A e − 2 π 2 σ 2 ( x 2 + y 2 ) ⟺ A 2 π σ 2 e − ( u 2 + v 2 ) / 2 σ 2 A e^{-2\pi^2 \sigma^2(x^2+y^2)} \iff \dfrac{A}{2\pi \sigma^2} e^{-(u^2+v^2) / 2 \sigma^2} Ae−2π2σ2(x2+y2)⟺2πσ2Ae−(u2+v2)/2σ2
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 ) ∣ ⋅ e j ϕ ( u , v ) F(u,v)=|F(u,v)|\cdot e^{j \phi(u,v)} F(u,v)=∣F(u,v)∣⋅ejϕ(u,v)
-
频谱: ∣ F ( u , v ) ∣ = R 2 ( u , v ) + I 2 ( u , v ) |F(u,v)| = \sqrt{R^2(u,v)+I^2(u,v)} ∣F(u,v)∣=R2(u,v)+I2(u,v)
-
相角: ϕ ( u , v ) = arctan I ( u , v ) R ( u , v ) \phi(u,v)=\arctan \dfrac{I(u,v)}{R(u,v)} ϕ(u,v)=arctanR(u,v)I(u,v)
-
功率谱: ∣ F ( u , v ) ∣ 2 = R 2 ( u , v ) + I 2 ( u , v ) |F(u,v)|^2 = R^2(u,v)+I^2(u,v) ∣F(u,v)∣2=R2(u,v)+I2(u,v)
-
由于实函数 f ( x , y ) f(x,y) f(x,y)的傅里叶变换 F ( u , v ) F(u,v) F(u,v)是共轭对称的,于是:
- 频谱是偶对称的, ∣ F ( u , v ) ∣ = ∣ F ( − u , − v ) ∣ |F(u,v)| = |F(-u,-v)| ∣F(u,v)∣=∣F(−u,−v)∣
- 相角是奇对称的, ϕ ( u , v ) = − ϕ ( − u , − v ) \phi(u,v) = -\phi(-u,-v) ϕ(u,v)=−ϕ(−u,−v)
- F ( 0 , 0 ) = ∣ F ( 0 , 0 ) ∣ = M N ⋅ f ˉ ( x , y ) F(0,0) = |F(0,0)| = MN \cdot \bar f(x,y) F(0,0)=∣F(0,0)∣=MN⋅fˉ(x,y),其中 f ˉ ( x , y ) \bar f(x,y) fˉ(x,y)是平均灰度
-
图像平移
f ( x − x 0 , y − y 0 ) ⟺ F ( u , v ) ⋅ e − 2 π j ( u x 0 M + v y 0 N ) f(x-x_0,y-y_0) \iff F(u,v) \cdot e^{-2\pi j(\frac{ u x_0}{M} + \frac{v y_0}{N})} f(x−x0,y−y0)⟺F(u,v)⋅e−2πj(Mux0+Nvy0)由于:
e − 2 π j ( u x 0 M + v y 0 M ) = cos θ + j sin θ , θ ( u , v ) = − 2 π ( u x 0 M + v y 0 N ) 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}) e−2πj(Mux0+Mvy0)=cosθ+jsinθ,θ(u,v)=−2π(Mux0+Nvy0)
变为极坐标表示: e − 2 π j ( u x 0 M + v y 0 M ) ⟺ ( 1 , θ ) e^{-2\pi j(\frac{ u x_0}{M} + \frac{v y_0}{M})} \iff (1,\theta) e−2πj(Mux0+Mvy0)⟺(1,θ)
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 x_0=M/2,\,y_0=N/2 x0=M/2,y0=N/2,那么 θ ( u , v ) ≡ π ( u + v ) m o d 2 π \theta(u,v) \equiv \pi(u+v) \mod{2\pi} θ(u,v)≡π(u+v)mod2π
对于 x 0 = 1 , y 0 = 1 x_0=1,\,y_0=1 x0=1,y0=1,那么 θ ( u , v ) = − 2 π M ⋅ u + − 2 π N ⋅ v \theta(u,v) = \frac{-2\pi}{M} \cdot u + \frac{-2\pi}{N} \cdot v θ(u,v)=M−2π⋅u+N−2π⋅v
-
图像旋转
f ( r , θ − θ 0 ) ⟺ F ( w , ϕ − ϕ 0 ) , θ 0 = ϕ 0 f(r,\theta-\theta_0) \iff F(w,\phi-\phi_0),\,\theta_0 = \phi_0 f(r,θ−θ0)⟺F(w,ϕ−ϕ0),θ0=ϕ0
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 × N M \times N M×N大小的原图像 f ( x , y ) f(x,y) f(x,y),零填充到 ( P = 2 M ) × ( Q = 2 N ) (P=2M) \times (Q=2N) (P=2M)×(Q=2N)大小的 f p f_p fp, f f f位于 f p f_p fp的左上象限
- 用 ( − 1 ) x y (-1)^{xy} (−1)xy和 f p f_p fp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 ) F(u,v) 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 ) H(u,v) H(u,v),计算阵列乘 G ( u , v ) = F ( u , v ) H ( u , v ) G(u,v) = F(u,v)H(u,v) G(u,v)=F(u,v)H(u,v)
- 计算IDFT,保留实数部分 R ( x , y ) R(x,y) R(x,y),得到 g p g_p gp
- 用 ( − 1 ) x y (-1)^{xy} (−1)xy和 g p g_p gp做阵列乘,逆中心化
- 截取左上象限,得到处理过的图像 f ′ ( x , y ) f'(x,y) f′(x,y)
滤波器
-
距离: D ( u , v ) = ( u − P / 2 ) 2 + ( v − Q / 2 ) 2 D(u,v) = \sqrt{(u-P/2)^2 + (v-Q/2)^2} D(u,v)=(u−P/2)2+(v−Q/2)2
-
理想低通滤波器(ILPF)
H ( u , v ) = { 1 , D ( u , v ) ≤ D 0 0 , D ( u , v ) > D 0 H(u,v) = \left\{ \begin{aligned} 1,&& D(u,v) \le D_0\\ 0,&& D(u,v) > D_0\\ \end{aligned} \right. H(u,v)={1,0,D(u,v)≤D0D(u,v)>D0
由于ILPF在 D 0 D_0 D0处突变,因此它的 h ( x , y ) h(x,y) h(x,y)有 s i n c sinc sinc的形状,将引起振铃现象。 -
布特沃斯低通滤波器(BLPF): H ( u , v ) = 1 1 + ( D ( u , v ) / D 0 ) 2 n H(u,v) = \dfrac{1}{1+(D(u,v)/D_0)^{2n}} H(u,v)=1+(D(u,v)/D0)2n1,n阶;截止频率处 D ( u , v ) = D 0 D(u,v)=D_0 D(u,v)=D0, H ( u , v ) = 0.5 H(u,v)=0.5 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 − D 2 ( u , v ) 2 σ 2 H(u,v) = A e^{-\frac{D^2(u,v)}{2\sigma^2}} H(u,v)=Ae−2σ2D2(u,v);令截止频率 D 0 = σ D_0 = \sigma D0=σ,当 D ( u , v ) = D 0 D(u,v)=D_0 D(u,v)=D0时, H ( u , v ) = 0.607 H(u,v)=0.607 H(u,v)=0.607。GLPF没有振铃。
-
理想高通滤波器(IHPF)
H ( u , v ) = { 0 , D ( u , v ) ≤ D 0 1 , D ( u , v ) > D 0 H(u,v) = \left\{ \begin{aligned} 0,&& D(u,v) \le D_0\\ 1,&& D(u,v) > D_0\\ \end{aligned} \right. H(u,v)={0,1,D(u,v)≤D0D(u,v)>D0 -
生成对应的高通滤波器: H H P ( u , v ) = 1 − H L P ( u , v ) H_{HP}(u,v) = 1-H_{LP}(u,v) HHP(u,v)=1−HLP(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 ) F(0,0) F(0,0)携带图像平均灰度)
-
理想带阻滤波器
H ( u , v ) = { 0 , D 0 − W / 2 ≤ D ( u , v ) ≤ D 0 + W / 2 1 , o t h e r s H(u,v) = \left\{ \begin{aligned} 0,&& D_0-W/2 \le D(u,v) \le D_0+W/2\\ 1,&& others\\ \end{aligned} \right. H(u,v)={0,1,D0−W/2≤D(u,v)≤D0+W/2others
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 ) = { 1 , D 0 − W / 2 ≤ D ( u , v ) ≤ D 0 + W / 2 0 , o t h e r s H(u,v) = \left\{ \begin{aligned} 1,&& D_0-W/2 \le D(u,v) \le D_0+W/2\\ 0,&& others\\ \end{aligned} \right. H(u,v)={1,0,D0−W/2≤D(u,v)≤D0+W/2others