【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：
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。

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）：

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）：



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)。