《精通Matlab数字图像处理与识别》一6.8 频域滤波器与空域滤波器之间的内在联系-阿里云开发者社区

开发者社区> 人工智能> 正文

《精通Matlab数字图像处理与识别》一6.8 频域滤波器与空域滤波器之间的内在联系

简介:

本节书摘来自异步社区《精通Matlab数字图像处理与识别》一书中的第6章,第6.8节,作者 张铮 , 倪红霞 , 苑春苗 , 杨立红,更多章节内容可以访问云栖社区“异步社区”公众号查看

6.8 频域滤波器与空域滤波器之间的内在联系

精通Matlab数字图像处理与识别
在6.4.1小节我们曾探讨了频域滤波与空域滤波之间的关系。这里则要更进一步,来研究频域滤波器与空域滤波器之间的内在联系。

频域滤波较空域而言更为直观,频域下滤波器表达了一系列空域处理(平滑、锐化等)的本质,即对高于/低于某一特定频率的灰度变化信息予以滤除,而对其他的灰度变化信息基本保持不变。这种直观性增加了频域滤波器设计的合理性,使得我们更容易设计出针对特定问题的频域滤波器,就如在6.7节中我们利用了带阻滤波器实现了对图像中周期噪声的滤除,而想直接在空域中设计出一个能够完成如此滤波任务的滤波器(卷积模板)是相当困难的。

为了得到合适的空域滤波器,我们很自然地想到可以首先设计频域滤波器H(u, v),而后根据卷积定理式(6-61),将H(u, v)反变换至空域后就得到了空域中滤波使用的卷积模板h(x, y),从而解决了空域滤波器的设计难题。

然而,直接反变换得到的空域卷积模板h(x, y)同 H(u, v)等大,从而与图像f(x, y)具有相同的尺寸。而模板操作十分耗时,要计算这样大的模板与图像的卷积将是非常低效的。在第3章中我们使用的都是很小的模板(如3×3, 5×5, 7×7等),因为这样的模板在空域中才具有滤波效率上的优势。一般来说,如果空域模板中的非零元素数目小于132(大约13×13见方),则直接在空域中计算卷积较为划算,否则直接利用H(u, v)在频域下滤波更为合适。

在实际中我们发现,利用以全尺寸的空域滤波器h(x, y)为指导设计出的形状与之类似的小空域卷积模板,同样可以取得类似于频域滤波器H(u, v)的滤波效果。这就为从频域出发,最终设计出具有实用价值的空域模板提供了一种完美的解决方案。

式(6-52)给出的高斯频域低通滤波器H(u)及与其构成傅立叶变换对儿的空域高斯模板h(x)正好印证了上述结论。从图6.19上来看,H(u)越窄,h(x)就越宽。而频域低通滤波器H(u)越窄,说明能够通过的频率越低,被截断的高频成份也就越多,从而使滤波处理后原函数f(x)变得平滑;而空域下以越宽的模板h(x)与函数f(x)卷积则同样会产生平滑的效果。再进一步以h(x)的形状为指导,就可以得到曾在高斯平滑中使用的高斯模板式(5-5)。

附 录

Ⅰ.傅立叶级数的收敛性

傅立叶级数的收敛性:满足狄利赫里条件的周期函数表示成的傅里叶级数都收敛。狄利赫里条件如下。

(1)在任何周期内,x(t)须绝对可积。

(2)在任一有限区间中,x(t)只能取有限个最大值或最小值。

(3)在任何有限区间上,x(t)只能有有限个第一类间断点。

Ⅱ.傅立叶级数的三角形式和复指数形式的转换

利用欧拉公式
image

为求得系数c n,将式(6-2)代入式(6-63),得

image

即傅立叶系数的复数形式。

式中: u表示f(x)的频率,即

image

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章