图像的二维DFT及其反变换
2011-07-05 20:52
225 查看
在图像处理中,傅里叶变换应该是二维的,而且,是离散的,即:二维DFT。一个图像尺寸为的函数的离散傅里叶变换由以下等式给出:
(1)
像在一维中的一样,此表达式对u值(u=0,1,2,...,M-1)和v值(v=0,1,2,..,N-1)计算。给出,可以通过傅里叶反变换来计算得到f(x,y),即:
(2)
其中,x=0,1,...,M-1,y=0,1,...,N-1;上面两个式子共同构成了二位离散傅里叶变换对(DFT)。变量u和v是变换或频率变量,x和y是图像变量。
幅度(频率谱):
(3)
相角:
(4)
功率谱(谱密度):
(5)
其中,R(u,v)和I(u,v)分别是F(u,v)的实部和虚部。
通常,在傅里叶变换之前用乘以输入图像函数,由于指数的性质,可以看出:
(6)
其中表示一种傅里叶变换。这个等式说明,傅里叶变换的原点(F(0,0))被设置在u=M/2和N/2上。换句话说,用乘以f(x,y)将F)(u,v)原点变换到(M/2,N/2),它是二维离散傅里叶变换设置的区域的中心。我们将此频率域的范围指定为频率矩形,它从u=0到u=M-1,从v=0到v-N-1,其中,u和v都是整数,而且,为了确保移动后的坐标为整数,要求M和N都是偶数。
从(1)我们可以发现,(u,v)=(0,0)的变换值为:
(7)
即f(x,y)的平均值,也就是说,如果f(x,y)是一幅图像,在原点的傅里叶变换等于图像的平均灰度值。因为在原点处常常为0,F(0,0)有时被称作频率谱的直流成分。
(1)
像在一维中的一样,此表达式对u值(u=0,1,2,...,M-1)和v值(v=0,1,2,..,N-1)计算。给出,可以通过傅里叶反变换来计算得到f(x,y),即:
(2)
其中,x=0,1,...,M-1,y=0,1,...,N-1;上面两个式子共同构成了二位离散傅里叶变换对(DFT)。变量u和v是变换或频率变量,x和y是图像变量。
幅度(频率谱):
(3)
相角:
(4)
功率谱(谱密度):
(5)
其中,R(u,v)和I(u,v)分别是F(u,v)的实部和虚部。
通常,在傅里叶变换之前用乘以输入图像函数,由于指数的性质,可以看出:
(6)
其中表示一种傅里叶变换。这个等式说明,傅里叶变换的原点(F(0,0))被设置在u=M/2和N/2上。换句话说,用乘以f(x,y)将F)(u,v)原点变换到(M/2,N/2),它是二维离散傅里叶变换设置的区域的中心。我们将此频率域的范围指定为频率矩形,它从u=0到u=M-1,从v=0到v-N-1,其中,u和v都是整数,而且,为了确保移动后的坐标为整数,要求M和N都是偶数。
从(1)我们可以发现,(u,v)=(0,0)的变换值为:
(7)
即f(x,y)的平均值,也就是说,如果f(x,y)是一幅图像,在原点的傅里叶变换等于图像的平均灰度值。因为在原点处常常为0,F(0,0)有时被称作频率谱的直流成分。
相关文章推荐
- 图像的二维DFT及其反变换 .
- 图像的二维DFT及其反变换
- 第六章 - 图像变换 - 卷积和离散傅里叶变换DFT(cvDFT)
- 灰度图像--频域滤波 傅里叶变换之离散傅里叶变换(DFT)
- 二维图像的三角形变换算法解释
- 离散FFT和图像二维FFT变换的java实现
- QT 类及其实现效果(3)--启动画面与图像变换
- 二维离散付立叶变换及其性质
- 用DFT变换处理图像
- 图像傅立叶变换(二维傅立叶变换fourier, 二维DFT, 2d-fft)的原理和物理意义
- 图像的二维傅里叶变换频谱图特点研究
- 基于Pyhton的二维离散正弦变换(DST)及其反变换(IDST)
- 二维几何图形变换及其GDI+实现
- opencv学习(十五)之图像傅里叶变换dft
- 利用DSP实现图像的二维傅里叶变换FFT2d、IFFT以及全逆滤波、维纳滤波
- 图像变换(离散傅立叶变换DFT)
- 图像傅立叶变换(二维傅立叶变换fourier, 二维DFT, 2d-fft)的原理和物理意义
- 基于Python二维离散余弦变换(DCT)及其反变换(IDCT)---程序对比
- 二维图像的三角形变换算法解释
- 二维图像的三角形变换算法解释