卷积和傅里叶变换
2017-11-29 17:20
183 查看
我们最常接触到的『信号』是一维时间信号,比如人的声音、乐曲、无线电波等,横坐标是时间t,纵坐标是信号的幅度,代表不同时刻的信号强度。
如果我们把一个信号各个频段的成分也画出来,横坐标是频段的『大小』,纵坐标是对应频段成分的『幅度』,这样一个坐标系,我们把它叫做『频域』。把信号从『时域』映射到『频域』的手段,就是大家耳熟能详的『傅里叶变换』。
虽然我们一直在强调『时间信号』,但不知大家注意到没有,其实这里的时间t,完全可以换成其他符号比如x,从而所谓的时间信号f(t),可以写成f(x),进而,图像可以看成一个离散的二维函数f(x,y),x 和 y 决定了图像的像素点,f是像素点在该处的取值。更形象地理解,图像就仿佛是一个『水池』,像素点就是『水分子』,像素点的取值大小,从视觉上看代表图像亮度的强弱,而类比到水池里,就是不同位置水分子的运动幅度,在水池里泛起涟漪。
进而,我们很自然地想到,一维函数的『傅里叶变换』,能否扩展到二维呢?
答案是肯定的。不过二维空间的傅里叶变换公式我们就不贴出来了,大家有兴趣可以详细阅读参考资料[3]。一维函数f(x)的频谱函数F(w),是一维信号的不同频率分量,而二维函数f(x,y)的频谱函数,是一个二维函数F(w,v),也反应了二维函数的频率特性(不过理解起来不那么直观,这里略过
如果我们把一个信号各个频段的成分也画出来,横坐标是频段的『大小』,纵坐标是对应频段成分的『幅度』,这样一个坐标系,我们把它叫做『频域』。把信号从『时域』映射到『频域』的手段,就是大家耳熟能详的『傅里叶变换』。
虽然我们一直在强调『时间信号』,但不知大家注意到没有,其实这里的时间t,完全可以换成其他符号比如x,从而所谓的时间信号f(t),可以写成f(x),进而,图像可以看成一个离散的二维函数f(x,y),x 和 y 决定了图像的像素点,f是像素点在该处的取值。更形象地理解,图像就仿佛是一个『水池』,像素点就是『水分子』,像素点的取值大小,从视觉上看代表图像亮度的强弱,而类比到水池里,就是不同位置水分子的运动幅度,在水池里泛起涟漪。
进而,我们很自然地想到,一维函数的『傅里叶变换』,能否扩展到二维呢?
答案是肯定的。不过二维空间的傅里叶变换公式我们就不贴出来了,大家有兴趣可以详细阅读参考资料[3]。一维函数f(x)的频谱函数F(w),是一维信号的不同频率分量,而二维函数f(x,y)的频谱函数,是一个二维函数F(w,v),也反应了二维函数的频率特性(不过理解起来不那么直观,这里略过
相关文章推荐
- 卷积与傅里叶变换简介
- 关于matlab矩阵卷积conv2和傅里叶变换求卷积ifft2的关系
- 灰度图像--频域滤波 傅里叶变换之卷积
- 卷积与傅里叶变换
- 通俗理解『卷积』——从傅里叶变换到滤波器
- 关于matlab矩阵卷积conv2和傅里叶变换求卷积ifft2的关系
- 关于matlab矩阵卷积conv2和傅里叶变换求卷积ifft2的关系
- 奈奎斯特定理和傅里叶变换
- 终于弄明白了傅里叶变换
- 小波变换网文精粹:傅里叶变换与小波变换(二)
- 基于频域的信息加密----傅里叶变换
- opencv学习(十五)之图像傅里叶变换dft
- 傅里叶变换的实质
- OpenCV实现基于傅里叶变换的旋转文本校正
- 第六章 - 图像变换 - 卷积边界(cvCopyMakeBorder)
- 如何理解傅里叶变换
- Matlab中图像处理实例:灰度变换,空域滤波,频域滤波,傅里叶变换的实现
- SonicOperator之傅里叶变换9
- 傅里叶变换在图像处理中的应用
- 傅里叶变换