图像及其数学与物理背景
1 基础
1.1 线性
线性:这与矢量(线性)空间(vector(linear) space)有关,其中常用矩阵代数。允许矢量空间的一个新元素可以表示为已有元素与系数(标量,通常是实数)乘积的和。
叠加原理:输入的和(分别地,乘)产生各自输入的和(分别地,乘)。
1.2 狄拉克(Dirac)分布和卷积
狄拉克分布(Dirac distribution):
δ(x,y):∫∞−∞∫∞−∞δ(x,y)=1
且对于所以的
x,y≠0,δ(x,y)=0
- 筛特性(sifting property):
f(x,y)在点(λ,μ)的值∫∞−∞∫∞−∞f(x,y)δ(x−λ,y−μ)dxdy=f(λ,μ)
- 将图像函数表示成覆盖整个图像平面的位于各点a,b的狄拉克脉冲的线性组合。
∫∞−∞∫∞−∞f(a,b)δ(a−x,b−y)dadb=f(x,y)
卷积:卷积是一种积分,反映一个函数
f(t)
与另一个函数上
h(t)
移动时所覆盖的量
- 函数
f
和
h
的在有限域
[0,t]
上的1D卷积
f∗h
公式:
(f∗h)(t)=∫t0f(t)h(t−τ)dτ
-
(f∗h)(t)=∫∞−∞f(t)h(t−τ)dτ=∫∞−∞f(t−τ)h(t)dτ
,设
f,g,h
为函数,
a
为一标量常数:性质
-
f∗h=h∗f
-
f∗(g∗h)=(f∗g)∗h
-
f∗(g+h)=(f∗g)+(f∗h)
-
a(f∗g)=(af)∗g=f∗(ag)
- 微分:
ddx(f∗h)=dfdx∗h=f∗dhdx
- 2D函数
f
和
h
的卷积
g
记为
f∗h
:
(f∗g)(x,y)=∫∞−∞∫∞−∞f(a,b)h(x−a,y−b)dadb=∫∞−∞∫∞−∞f(x−a,y−b)h(a,b)dadb=(h∗f)(x,y)
- 离散卷积:求和。线性操作中输出图像像素
g(i,j)
的计算结果是输入图像像素
f(i,j)
的一份局部邻域O的亮度的线性组合邻域O中像素的贡献用系数
h
加权
f(i,j)=∑(m,n)∈O∑h(i−m,j−n)g(m,n)
h
的卷积掩膜(convolution mask)
2 积分线性变换
2.1作为线性系统的图像
算子:从一个矢量空间到另一个矢量空间的映射:性质
-
L{af1+bf2}=aL{f1}+bL{f2}
- 线性系统
L
对输入图像
f
的响应
g
:
g(x,y)=L[f(x,y)]=∫∞−∞∫∞−∞f(a,b)L[δ(x−a,y−b)]dadb=∫∞−∞∫∞−∞f(a,b)h(x−a,y−b)dadb=(f∗h)(x,y)
-
G(u,v)=F(u,v)H(u,v)
2.3 1D 傅里叶变化
连续傅里叶变化F:
F[f(t)]=F(ξ)=∫∞−∞f(t)e−2πiξtdt
傅里叶逆变换
F−1
:
F−1[F(ξ)]=f(t)=∫∞−∞F(ξ)e2πiξtdt
存在条件:
-
∫∞−∞|f(t)|dt<∞
,即
f
必须比指数曲线衰减更快
-
f
在任何有限的区间内只能有有限个不连续的点
傅里叶变换表达为黎曼和
f(t)=(⋯+F(ξ0)e2πiξ0t+F(ξ1)e2πiξ1t+⋯)ΔξΔξ=ξk+1−ξk
性质:
对称性:1D函数
f(t)
的形状都可以分解为偶对称
fe(t)=f(t)+f(−t)2
和奇对称
fo(t)=f(t)−f(−2)2
-
实数
f(t)
|
F(ξ)
的数值 |
F(ξ)
的对称性 |
一般情况 |
复数 |
共轭对称 |
偶对称 |
仅有实部 |
偶对称 |
奇对称 |
仅有虚部 |
奇对称 |
|
|
|
直流偏移量(DC direct current)
F(0)=∫∞−∞f(t)dtf(0)=∫∞−∞F(ξ)dξ
帕斯维尔(Parseval)定理:
∫∞−∞|f(t)|2dt=∫∞−∞|F(ξ)|2dξ
-
性质 |
f(t)
|
F(ξ)
|
线性 |
af1(t)+bf2(t)
|
aF1(ξ)+bF2(ξ)
|
对偶性 |
F(t)
|
f(−ξ)
|
卷积 |
(f∗g)(t)
|
F(ξ)G(ξ)
|
乘积 |
f(t)g(t)
|
(F∗G)(ξ)
|
时间移位 |
f(t−t0)
|
e−2πiξt0F(ξ)
|
频率位移 |
e2πiξ0tf(t)
|
F(ξ−ξ0)
|
微分 |
df(t)dt
|
2πiξF(ξ)
|
乘以
t
|
tf(t)
|
i2πdF(ξ)dξ
|
时间伸缩 |
f(at)
|
1|a|F(ξa)
|
实部与虚部
- 复数谱:
F(ξ)=Re(F(ξ))+iIm(F(ξ))
- 幅值谱:
|F(ξ)|=Re(F2(ξ))+iIm(F2(ξ))−−−−−−−−−−−−−−−−−−−√
- 相位谱
ψ(ξ)=arctan(Im(F(ξ))Re(F(ξ)))
功率谱:
|F(ξ)|=Re(F2(ξ))+iIm(F2(ξ))−−−−−−−−−−−−−−−−−−−√
测不准原理(uncertainty principle):不可能存在在时域和频域都可以任意窄的信号。信号持续时间*带宽
≥1π
2.4 2D傅里叶变换
连续图像函数
f
的2D傅里叶变换定义为如下积分 :
F(u,v)=∫∞−∞∫∞−∞f(x,y)e−2πi(xu+yv)dxdy
->
F{f(x,y)}=F(u,v)
傅里叶逆变换:
f(x,y)=∫∞−∞∫∞−∞F(u,v)e−2πi(xu+yv)dudv
性质:
- 线性
F{af1(x,y)+bf2(x,y)}=aF1(u,v)+bF2(u,v)
- 图像域原点平移
F{f(x−a,y−b)}=F(u,v)e−2πi(au+bv)
- 频域原点平移
F{f(x,y)e2πi(u0x+v0y)}=F(u−u0,v−v0)
- 如果
f(x,y)
是实值则
F(−u,−v)=F∗(u,v)
- 卷积(定理)对偶性:
F{(f∗h)(x,y)}=F(u,v)H(u,v)F{f(x,y)h(x,y)}=(F∗H)(u,v)
- 离散2D傅里叶
- 变换:
F(u,v)=1MN∑m=0M−1∑n=0N−1f(m,n)e−2πi(muM+nvN)u=0,1⋯,M−1,v=0,1,⋯,N−1
- 逆变换:
f(m,n)=∑u=0M−1∑v=0N−1F(u,v)e2πi(muM+nvN)m=0,1,⋯,M−1,n=0,1,⋯,N−1
- 周期性:
F(u,−v)=F(u,N−v)f(−m,n)=f(M−m,n)F(−u,v)=F(M−u,v)f(m,−n)=f(m,N−n)F(aM+u,bN+v)=F(u,v)f(aM+m,bN+n)=f(m,n)
中心化功率谱:低频信号位于中心,高频离角点近。
2.5 采样与香农约束
图像的采样点:
x=jΔx,y=kΔy,i=1,⋯,M.k=1,⋯,N
。两个相邻的采样点在
x
轴上相差
Δx
在y上相差
Δy
。称距离
Δx和Δy
为采样间隔(sampling interval)。采样的矩阵
f(Δx,Δy)
构成图像。理想采样
s(x,y)=∑j=1M∑k=1Nδ(x−jΔx,y−kΔy)
。采样图像
fs(x,y)=f(x,y)s(x,y)=f(x,y)∑j=1M∑k=1Nδ(x−jΔx,y−kΔy)
无限的采样格栅:
F{∑j=−∞∞∑k=−∞∞δ(x−jΔx,y−kΔy)}=1ΔxΔy∑m=−∞∞∑n=−∞∞δ(u−mΔx,v−nΔy)
采样后图像的傅里叶变换是周期性重复的图像的图像傅里叶变化
F(u,v)
之和:假设信号的最大频率是
fm
,即信号是带宽有限的(band-limited),意味着傅里叶变换
F
在频率的某个区间外
|f|>fm
是0。
混迭(aliasing): 在某些情况下,周期性重复的图像傅里叶变换
F(u,v)
会引起图像失真的现象。
香农采样定理(shannon sampling theorem): 对于有限带宽频谱的图像,只要采样间隔满足下列条件,其周期性重复的傅里叶变换
F(u,v)
就不会发生混迭
Δx<12UΔy<12V
2.6 离散余弦变换
离散余弦变换(DCT)是积分线性变换
未完待续。。。。。。