【图像处理】关于振铃效应（Ringingeffect）的相关探讨——与吉布斯现象的关联性

1 振铃效应（Ringingeffect）

        振铃效应（Ringingeffect）是影响复原图像质量的众多因素之一，是由于在图像复原中选取了不适当的图像模型造成的，振铃效应产生的直接原因是图像退化过程中信息量的丢失，尤其是高频信息的丢失，其严重降低了复原图像的质量，并且使得难于对复原图像进行后续处理。(来自百度百科）

        “图像处理中，对一幅图像进行滤波处理，若选用的频域滤波器具有陡峭的变化，则会使滤波图像产生‘振铃’，就是指输出图像的灰度剧烈变化处产生的震荡，就好像钟被敲击后产生的空气震荡。”（如下图）

（色差越大，出现色差地方越多，则振铃效应越明显）

% 读取图像
img = imread('1.jpg');

% 转换图像为灰度图
gray_img = rgb2gray(img);

% 计算图像的傅里叶变换
F = fftshift(fft2(double(gray_img)));

% 创建幅频低通滤波器
[M, N] = size(gray_img);
D0 = 30; % 截止频率
H = zeros(M, N);
for u = 1:M
    for v = 1:N
        D = sqrt((u - M/2)^2 + (v - N/2)^2);
        if D <= D0
            H(u, v) = 1;
        end
    end
end

% 应用滤波器
G = H .* F;

% 反傅里叶变换得到滤波后的图像
filtered_img = ifft2(ifftshift(G));

% 显示原始图像和滤波后的图像
figure;
subplot(1, 2, 1);
imshow(gray_img);
title('原始图像');
subplot(1, 2, 2);
imshow(abs(filtered_img), []);
title('滤波后的图像');

        下面就振铃效应的产生原因进行简要分析。

1.1 傅里叶变换

 1.1.1 吉布斯现象

吉布斯(Gibbs)现象
        将具有不连续点的周期函数（如矩形脉冲)进行傅立叶级数展开后，选取有限项进行合成。当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9%。

        若用x(t)表示原始信号，xN(t)表示有限项傅立叶级数合成所得的信号，米切尔森所观察到的有趣的现象是方波的xN(t)在不连续点附近部分呈现起伏，这个起伏的峰值大小似乎不随 N 增大而下降!吉布斯证明：情况确实是这样，而且也应该是这样。随着N 增加，部分和的起伏就向不连续点压缩，但是对任何有限的 N 值，起伏的峰值大小保持不变 ，这就是吉布斯现象。

 吉布斯现象如下图所示：

        含义：一个不连续信号 x(t) 的傅里叶级数的截断近似 xN(t)，一般来说，在接近不连续点处将呈现高频起伏和超量，而且，若在实际情况下利用这样一个近似式的话，就应该选择足够大的 N ，以保证这些起伏拥有的总能量可以忽略。当然，在极限情况下，近似误差的能量是零，而且一个不连续的信号(如方波)的傅里叶级数表示是收敛的。

 1.1.2 傅里叶级数展开

 我们来分析低通滤波器，不过是类似“窗”的样式，窗内的留下，窗外的滤除。

         将窗嵌套在幅频上，若是窗越大，涵盖的低频部分更大，高频部分越来越多，即是傅里叶级数越来越大，叠加的越来越多。

        当窗口较小时，小级数展开会有较大周期的波动，阶跃处的吉布斯现象产生的波动更易被观察到，随着窗口变大，涵盖的频率从小到大也越来越多，即级数越来越大，波动的周期会变小。

 这个从图像中也可以得到，当窗在有明显振铃效应出现时变大，则振铃效应的波纹越发密集。

 所以，就可以得到这样的结论：图像的边缘是阶跃信号，完整的幅频对应了大级数的“拟合”，会非常契合原图像，而加上频域滤波之后，相当于只保留了小级数的叠加态，会有明显的吉布斯现象的波动，导致图像出现“振铃现象”，殊途同归。

（侵删）

 上图来自百度百科

 1.2 卷积定理

        由卷积定理可知，频率域下的理想低通滤波器H(u, v)必定存在一个空间域下与之对应的滤波函数h(x, y)，且可以通过对H(u,v)作傅里叶逆变换求得。

        产生振铃效应的原因就在于，理想低通滤波器在频率域下的分布十分线性（在D0处呈现出一条垂直的线，在其他频率处呈现出一条水平的线），那么不难想象出对应的(x,y)将会有类似于sinc函数那样周期震荡的空间分布特性。

（侵删）

        正是由于理想低通滤波器的空间域表示有类似于sinc函数的形状，位于正中央的突起使得理想低通滤波器有模糊图像的功能，而外层的其他突起则导致理想低通滤波器会产生振铃效应。

 （侵删）

 2 振铃效应的消除方法

        最常用且最简单的方法便是使用高斯滤波(Gaussian filter), 高斯函数的傅里叶变换仍然是高斯函数，故高斯型滤波器不会产生“振铃“。

（侵删）

 3 启发

1.  定量比定性更严谨也更有说服力，但定性分析也会对问题有更直观的感受，更能联结所学、触类旁通
2. 学而时习之，将所学常用于实践，才能融会贯通，进而改进和创新