频域滤波—傅里叶变换(下)

简介: 频域滤波—傅里叶变换

正文


4. 二维离散傅里叶变换的性质


1、可分离性


二维离散傅里叶变换的可分离性可以将一个二维变换分解为两个一维变换,简化计算

9.png

2、线性

傅里叶变换是一种线性变换正交变换,满足线性变换的叠加性

10.png

3、共轭对称性

如果F ( μ , ν ) )是f ( x , y ) 的傅里叶变换,F ∗ ( − μ , − ν ) 是傅里叶变换的共轭函数,那么

11.png

4、平移不变性

目标在空域中进行平移不会改变其频谱和幅度谱

12.png

5、旋转性

若空间域中函数旋转角度为θ 0,那么在变换域中此函数的傅里叶变换也旋转同样的角度,即:

13.png

6、比例变换性

若在傅里叶变换中,a aa与b bb是两个标量,则有


14.png

例如下图中空间域图像逆时针旋转45°,其频率域图像也逆时针旋转了45°

15.png

7、Parseval定理(能量保持定理)

若F ( μ , ν )是f ( x , y ) 的傅里叶变换,那么变换前后信号强度保持不变,即没有信息损失:


16.png

8、相关性定理

两个二维函数f ( x , y 、g ( x , y ) )的相关函数定义如下:

17.png

9、卷积定理

两个二维函数f ( x , y 、g ( x , y )的卷积运算定义如下:


18.png


5. 傅里叶变换的应用


傅里叶变换的应用基于它的两个特点:


反应频域特性

将卷积运算转化为乘积运算


5.1. 在图像滤波中的应用


变换后的图像,中间部分为低频部分,越靠外频率越高。根据这个特性自行构建滤波器选择所需要的高频或低频部分


5.2. 在图像压缩中的应用


根据高频反应细节、低频反应概貌的特性可以把一下无关紧要的频率分量虑除掉以降低图像大小

相关文章
|
5月前
|
算法 C语言
数字信号处理中的快速傅里叶变换
数字信号处理中的快速傅里叶变换
55 0
|
4月前
快速傅里叶变换
【6月更文挑战第2天】
50 6
|
5月前
|
计算机视觉
傅里叶
傅里叶 “【5月更文挑战第23天】”
59 1
|
5月前
|
算法 计算机视觉
傅里叶变换
傅里叶变换
57 2
|
5月前
|
计算机视觉 Python
傅里叶滤波
傅里叶滤波
21 3
|
5月前
|
存储 计算机视觉
【OpenCV】—离散傅里叶变换
【OpenCV】—离散傅里叶变换
|
5月前
|
数据安全/隐私保护
时域与频域数据互相转换,傅里叶变换与逆傅里叶变换,matlab程序,时域转频域
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
编解码
FFT_频谱分析(数字信号处理)
用FFT对信号作频谱分析是学习数字信号处理的重要内容。经常需要进行谱分析的信号是模拟信号和时域离散信号。对信号进行谱分析的重点在于频谱分辨率及分析误差。频谱分辨率D和频谱分析的点数N直接相关,其分辨率为2π/N 。因此2π/N≤D,可以据这个公式确定频率的分辨率。 FFT分析频谱的误差在于得到的是离散谱,而信号(非周期信号)是连续谱,只有当N较大时,离散谱的包络才能逼近于连续谱。因此N要适当选择大一些。 周期信号的频谱是离散谱,只有用整数倍周期的长度作FFT,得到的离散谱才能代表周期信号的频谱。如果不知道信号周期,可以尽量选择信号的观察时间长一些。 对模拟信号进行谱分析时,首先要按照
595 1
FFT_频谱分析(数字信号处理)
|
机器学习/深度学习
傅立叶变换之(一)——欧拉公式
傅立叶变换之(一)——欧拉公式
|
算法
转:fft算法(快速傅里叶变换算法)
FFT (Fast Fourier Transform) 是一种快速傅里叶变换算法。它是用来将一个信号从时域转换到频域的算法。这个算法通过分治策略,将一个长度为 N 的复数序列分解成 N/2 个长度为 2 的复数序列,然后对这些小的序列分别进行 FFT 计算。
267 0