【OpenCV + Python】时域和频域&傅里叶变换

跟一维信号处理一样,傅里叶变化,把图像从“空域”变为“频率”。对于一幅图像,高频部分代表了图像的细节、纹理信息;低频部分代表了图像的轮廓信息。如果对一幅精细的图像使用低通滤波器,那么滤波后的结果就剩下了轮廓了。这与信号处理的基本思想是相通的。如果图像受到的噪声恰好位于某个特定的“频率”范围内,则可以通过滤波器来恢复原来的图像。
时域是指时间域,频域是指频率域。时域和频域是信号的基本性质。频率(单位时间内完成周期性变化的次数)。

时域是指时间域,频域是指频率域。

1、时域(时间域)——自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x(t)是描述信号在不同时刻取值的函数。

2、频域(频率域)——自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。
下面是图文讲解:在这里插入图片描述
图1是正弦波的时域图,示出了振幅与时间的关系。

在时域图中,横轴是时间,纵轴是振幅。

时域图显示振幅随时间的变化,可以看出峰值振幅为5V,可以算出频率f=6 Hz。
在这里插入图片描述
图2是图1中正弦波的频域图
在频域图中,横轴是频率,纵轴是峰值振幅。
频域图仅仅示出峰值振幅与频率,而不显示振幅随时间的变化。
从频域图可以看出,正弦波的频率为6Hz,这个6Hz的正弦波的峰值振幅为5V 。
频域图的优点是,从频域图中,可以一眼看出正弦波的频率和峰值振幅
整个正弦波在频域图上只是一个立柱
立柱的位置显示了正弦波的频率
立柱的高度显示了正弦波的峰值振幅

傅里叶变换物理意义(下面是摘抄部分):
在这里插入图片描述
这就得出了一个结论:傅里叶变换后的白色部分(即幅度较大的低频部分),表示的是图像中慢变化的特性,或者说是灰度变化缓慢的特性(低频部分)。
傅里叶变换后的黑色部分(即幅度低的高频部分),表示图像中快变化的特性,或者说是灰度变化快的特性(高频部分)。

一幅图像,经过傅里叶变换后,将高频部分删除,再进行反变换,设想一下将会得到什么结果?

在频谱图上,白色的斑点、噪声和边界等会表现为高频部分,所以通过滤去高频,可以降噪(图像的频谱函数统计特征:图像的大部分能量集中在低频和中频中,高频部分的分量很弱,仅仅体现了图像的某些细节。因此,滤波器滤噪,也就是除去高频部分、能量低的部分)。傅里叶变换将时域转换为频域,对频域图像进行消噪,然后再反变换为时域,就达到了消除噪声的效果。

傅里叶变换结果的对应关系(转:https://blog.csdn.net/Replus_/article/details/81945495):
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
一张图像可以看做是多个甚至无数个有规律的子图像的叠加(这里说的有规律指的是图像上的像素是呈周期性变化的)。所以图像频谱中的某一个像素它的值就反应了某一个子图像的频率。并且,如果一个图像的频谱的size是101 * 101。那么就可以进一步理解为这个图像是由51 * 51个有规律的子图像叠加而成的(因为图像的频谱是一个关于中心对称的图像,所以要对width和hight同时除以2)。

  • 6
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值