DCT算法原理 & 频域均衡器

参考博文

https://blog.csdn.net/orbit/article/details/45485197
参考此博文中频域均衡器使用，加深对离散fft算法理解

1.频域均衡器

2.DCT算法原理

2.1一维DCT变换公式

$$F(u)=C(u)\sum _{i=0}^{N-1}cos\frac{(2i+1)\pi }{2N}f(i)$$
其中N表示一维数据的点的总数
$$C(u)=\{\begin{array}{rl}& \sqrt{\frac{1}{n}}\\ & \sqrt{\frac{2}{n}}\end{array}$$
一维DCT变换的复杂度是O(n^2)。

2.2二维DCT变换公式

$$F(u,v)=C(u)C(v)\sum _{i=0}^{N-1}\sum _{j=0}^{N-1}cos\frac{(2i+1)\pi }{2N}cos\frac{(2j+1)\pi }{2N}f(i,j)$$
可以发现，二维DCT变换其实是在一维DCT变换的基础上，再做一次一维DCT变换。二维DCT也可以写成矩阵相乘的形式：

二维DCT变换的复杂度达到O(n^4)，所以进行DCT变换的矩阵不宜过大。在实际处理图片的过程中，需要先把矩阵分块，一般分为8x8或16x16大小，这样DCT变换不至于耗费过多的时间。

2.2.1二维DCT变换推导

dct变换核心公式：

$$Y=C\times X\times C^T$$
其中$C$为正交矩阵$C\times C^T=E$，$C$具体表达为
$$\left[\begin{array}{cccc}a& a& a& a\\ b& c& -c& -b\\ a& -a& -a& a\\ c& -b& b& -c\end{array}\right]$$
其中$a$=$\frac{1}{2}$,$b$=$\sqrt{\frac{1}{2}}cos\frac{\pi }{8}$,$c$=$\sqrt{\frac{1}{2}}cos\frac{3\pi }{8}$进一步推导可转换为如下变换：
$$Y=B\times X\times B^T⨁D$$
其中$B$可表示为如下矩阵：
$$\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& \frac{1}{2}& -\frac{1}{2}& 1\\ 1& -1& -1& 1\\ \frac{1}{2}& -1& 1& -\frac{1}{2}\end{array}\right]$$
矩阵$D$表示为如下矩阵：
$$\left[\begin{array}{cccc}{a}^2& ab& a^2& ab\\ ab& b^2& ab& b^2\\ a^2& ab& a^2& ab\\ ab& b^2& ab& b^2\end{array}\right]$$
进一步将实数运算简化为整数运算，可将矩阵$B$变换为$B^{\prime }$，矩阵$D$变化为$D^{\prime }$，矩阵$B^{\prime }$的表达式为
$$\left[\begin{array}{cccc}1& 1& 1& 1\\ 2& 1& -1& 2\\ 1& -1& -1& 1\\ 1& -2& 2& -1\end{array}\right]$$
矩阵$D^{\prime }$的表达式为
$$\left[\begin{array}{cccc}{a}^2& \frac{ab}{2}& a^2& \frac{ab}{2}\\ \frac{ab}{2}& \frac{b^2}{4}& \frac{ab}{2}& \frac{b^2}{4}\\ a^2& \frac{ab}{2}& a^2& \frac{ab}{2}\\ \frac{ab}{2}& \frac{b^2}{4}& \frac{ab}{2}& \frac{b^2}{4}\end{array}\right]$$

2.2.2DCT公式详细推导过程

$$Y=C\times X\times C^T$$
如何演变为 $$Y=B\times X\times B^T⨁D$$给出说明
$C=$$\left[\begin{array}{cccc}a& a& a& a\\ b& c& -c& -b\\ a& -a& -a& a\\ c& -b& b& -c\end{array}\right]$假设$d=\frac{c}{b}$那么
$$C=\left[\begin{array}{cccc}a& 0& 0& 0\\ 0& b& 0& 0\\ 0& 0& a& 0\\ 0& 0& 0& b\end{array}\right]\times \left[\begin{array}{cccc}1& 1& 1& 1\\ 1& d& -d& -1\\ 1& -1& -1& 1\\ d& -1& 1& -d\end{array}\right]$$
进一步变换可得

$$C^T=\left[\begin{array}{cccc}1& 1& 1& d\\ 1& d& -1& -1\\ 1& -d& -1& 1\\ 1& -1& 1& -d\end{array}\right]\times \left[\begin{array}{cccc}a& 0& 0& 0\\ 0& b& 0& 0\\ 0& 0& a& 0\\ 0& 0& 0& b\end{array}\right]$$

$$Y=C\times X\times C^T=\left[\begin{array}{cccc}a& 0& 0& 0\\ 0& b& 0& 0\\ 0& 0& a& 0\\ 0& 0& 0& b\end{array}\right]\times \left[\begin{array}{cccc}1& 1& 1& 1\\ 1& d& -d& -1\\ 1& -1& -1& 1\\ d& -1& 1& -d\end{array}\right]\times X\times \left[\begin{array}{cccc}1& 1& 1& d\\ 1& d& -1& -1\\ 1& -d& -1& 1\\ 1& -1& 1& -d\end{array}\right]\times \left[\begin{array}{cccc}a& 0& 0& 0\\ 0& b& 0& 0\\ 0& 0& a& 0\\ 0& 0& 0& b\end{array}\right]$$
对角矩阵移项得到
$$\left[\begin{array}{cccc}{a}^{-1}& 0& 0& 0\\ 0& b^{-1}& 0& 0\\ 0& 0& a^{-1}& 0\\ 0& 0& 0& b^{-1}\end{array}\right]\times Y\times \left[\begin{array}{cccc}{a}^{-1}& 0& 0& 0\\ 0& b^{-1}& 0& 0\\ 0& 0& a^{-1}& 0\\ 0& 0& 0& b^{-1}\end{array}\right]=\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& d& -d& -1\\ 1& -1& -1& 1\\ d& -1& 1& -d\end{array}\right]\times X\times \left[\begin{array}{cccc}1& 1& 1& d\\ 1& d& -1& -1\\ 1& -d& -1& 1\\ 1& -1& 1& -d\end{array}\right]$$
$$Y⨁\left[\begin{array}{cccc}{a}^{-2}& a{b}^{-1}& a^{-2}& a{b}^{-1}\\ a{b}^{-1}& b^{-2}& a{b}^{-1}& b^{-2}\\ a^{-2}& a{b}^{-1}& a^{-2}& a{b}^{-1}\\ a^{-2}& a{b}^{-1}& a^{-2}& a{b}^{-1}\end{array}\right]=\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& d& -d& -1\\ 1& -1& -1& 1\\ d& -1& 1& -d\end{array}\right]\times X\times \left[\begin{array}{cccc}1& 1& 1& d\\ 1& d& -1& -1\\ 1& -d& -1& 1\\ 1& -1& 1& -d\end{array}\right]$$
其中d为0.4142,为实数，此时令d=1/2，设置$b=\sqrt{\frac{2}{5}}$ $c=\sqrt{\frac{1}{10}}$，经过行列缩放变换后可得整数变换式子 $$Y=B^{\prime }\times X\times B^{\prime T}⨁D^{\prime }$$

3.快速沃尔什变换（ Fast Walsh-Hadamard Transform）

简单讲就是位运算卷积的一种处理方法，下面将or、and、xor三种位运算分别讲述FWT的推导以及使用方法。

$C_k$=$\sum _{i+j=k}$$A_i$+$B_j$是多项式卷积的基础表达形式
$C_k$=$\sum _{i|j=k}$$A_i$+$B_j$是或运算卷积
$C_k$=$\sum _{i\&j=k}$$A_i$+$B_j$是和运算卷积
$C_k$=$\sum _{i⨁j=k}$$A_i$+$B_j$是异或运算卷积