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
|
机器学习/深度学习
FFT能量归一化
FFT能量归一化
425 0
常用图像卷积核类型小结
卷积操作的主要目的就是对图像进行降维以及特征提取; 1.卷积核往往是行数和列数均为奇数的矩阵,这样中心较好定位; 2.卷积核元素的总和体现出输出的亮度,若元素总和为1,卷积后的图像与原图像亮度基本一致;若元素总和为0,则卷积后的图像基本上是黑色,其中较亮的部分往往就是提取出图像的某种特征; 3.滤波实际上就是Same模式的卷积操作,也就是说滤波后图像的大小不变,各种滤镜和照片的风格化就是使用不同的滤波器对图像进行操作。因此卷积核、滤波器本质上都是一个东西; 4.高通滤波器(High Pass Filter, HPF)表示仅允许图像中高频部分(即图片中变化较剧烈的部分)通过,往往用于对图像
|
Ubuntu Python
Ubuntu安装pip并切换国内源
Ubuntu安装pip并切换国内源
4151 0
Ubuntu安装pip并切换国内源
|
数据可视化 算法 计算机视觉
什么是傅里叶变换?傅里叶变换处理图像的原理是什么?
傅里叶变换是一种强大的数学工具,能够将信号在时域与频域之间进行转换,广泛应用于物理学、信号处理、图像处理等领域。它能够将复杂信号分解为多个简单的正弦波,从而便于分析和处理。在图像处理中,傅里叶变换可以用于去噪、锐化和压缩等操作,通过滤波器选择性地保留或去除特定频率的信息,提高图像质量。
|
安全 编译器 开发者
Python打包成.exe文件直接运行
Python打包成.exe文件直接运行
1822 1
|
算法 Python
快速傅里叶变换(FFT)在NumPy中的使用
【4月更文挑战第17天】本文介绍了如何在Python的NumPy库中使用快速傅里叶变换(FFT)进行频率分析。FFT是数字信号处理的关键技术,用于从时域信号中提取频率信息。NumPy的`numpy.fft`模块提供了一维、二维及多维FFT的实现,简化了在Python中的操作。文中通过示例展示了如何进行一维和二维FFT计算,并绘制频域信号的幅度谱。了解FFT及其在NumPy中的应用,有助于在信号处理和图像分析等领域进行高效工作。
|
Python
Python线程锁(Thread Lock)和进程锁(Process Lock)
Python线程锁(Thread Lock)和进程锁(Process Lock)
618 0
|
Web App开发 缓存 JavaScript
如何排查 Electron V8 引发的内存 OOM 问题(上)
如何排查 Electron V8 引发的内存 OOM 问题(上)
1523 1
|
存储 Linux 数据安全/隐私保护
什么是 Linux 中的机器 ID?
什么是 Linux 中的机器 ID?
2092 0
|
算法 计算机视觉 Python