版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/eeeee123456/article/details/82941264
一、数学预备知识
1. 傅里叶级数
设
f
(
x
)
f(x)
f ( x ) 以
2
π
2\pi
2 π 为周期,在
[
−
π
,
π
]
[-\pi, \pi]
[ − π , π ] 绝对可积,则由公式
a
n
=
1
π
∫
−
π
π
f
(
x
)
cos
n
x
d
x
,
n
=
0
,
1
,
2
,
.
.
.
a_n = {1\over\pi}\int_{-\pi}^{\pi}f(x)\cos nx\ dx,\ \ \ \ n=0,1,2,...
a n = π 1 ∫ − π π f ( x ) cos n x d x , n = 0 , 1 , 2 , . . .
b
n
=
1
π
∫
−
π
π
f
(
x
)
sin
n
x
d
x
,
n
=
1
,
2
,
.
.
.
b_n = {1\over\pi}\int_{-\pi}^{\pi}f(x)\sin nx\ dx,\ \ \ \ n=1,2,...
b n = π 1 ∫ − π π f ( x ) sin n x d x , n = 1 , 2 , . . . 决定的
a
n
a_n
a n 、
b
n
b_n
b n 称为傅里叶系数,称由这些
a
n
a_n
a n 、
b
n
b_n
b n 决定的三角级数
f
(
x
)
~
a
0
2
+
∑
n
=
1
∞
(
a
n
cos
n
x
+
b
n
sin
n
x
)
f(x) ~ {a_0\over 2} + \sum_{n=1}^\infty(a_n\cos nx + b_n\sin nx)
f ( x ) ~ 2 a 0 + n = 1 ∑ ∞ ( a n cos n x + b n sin n x ) 为
f
(
x
)
f(x)
f ( x ) 的傅里叶级数。 例1 设
f
(
x
)
f(x)
f ( x ) 以
2
π
2\pi
2 π 为周期,在
[
−
π
,
π
]
[-\pi, \pi]
[ − π , π ] 上
f
(
x
)
=
x
f(x) = x
f ( x ) = x ,试求
f
(
x
)
f(x)
f ( x ) 的傅里叶级数。
解
:
f
(
x
)
解:f(x)
解 : f ( x ) 的图像如下图所示 由
f
(
x
)
f(x)
f ( x ) 在
[
−
π
,
π
]
[-\pi, \pi]
[ − π , π ] 是奇函数,知
f
(
x
)
cos
n
x
f(x)\cos nx
f ( x ) cos n x 在
[
−
π
,
π
]
[-\pi, \pi]
[ − π , π ] 也是奇函数,因而
a
n
=
0
a_n = 0
a n = 0 。
b
0
=
1
π
∫
−
π
π
x
sin
n
x
d
x
=
2
π
∫
0
π
x
sin
n
x
d
x
b_0 = {1\over\pi}\int_{-\pi}^{\pi}x\sin nx\ dx = {2\over \pi}\int_0^\pi x\sin nx\ dx
b 0 = π 1 ∫ − π π x sin n x d x = π 2 ∫ 0 π x sin n x d x
=
2
n
π
[
−
x
cos
n
x
∣
0
π
+
∫
0
π
cos
n
x
d
x
]
=
(
−
1
)
n
−
1
2
n
= {2\over{n\pi}}[-x\cos nx |_0^\pi + \int_0^\pi \cos nx\ dx] = {{(-1)^{n-1}2}\over n}
= n π 2 [ − x cos n x ∣ 0 π + ∫ 0 π cos n x d x ] = n ( − 1 ) n − 1 2 故傅里叶级数为
f
(
x
)
~
2
∑
n
=
1
∞
(
−
1
)
n
−
1
sin
n
x
n
=
2
(
sin
x
−
sin
2
x
2
+
sin
3
x
3
−
sin
4
x
4
+
…
 
)
f(x) ~ 2\sum_{n=1}^\infty{{(-1)^{n-1}\sin nx}\over n} = 2(\sin x - {{\sin 2x}\over 2} + {{\sin 3x}\over 3} - {{\sin 4x}\over 4} + \dots)
f ( x ) ~ 2 n = 1 ∑ ∞ n ( − 1 ) n − 1 sin n x = 2 ( sin x − 2 sin 2 x + 3 sin 3 x − 4 sin 4 x + … ) 从下图可看出该函数的傅里叶级数大致图像
二、基本概念
1. 频率域
频率域的图像处理首先把一副图像变换到频率域,在频率域中进行处理,然后通过反变换把处理结果返回到空间域。
2. 复数
复数
C
C
C 的定义如下:
C
=
R
+
j
I
C = R + jI
C = R + j I 式中,
R
R
R 和
I
I
I 是实数,
j
j
j 是一个等于
−
1
-1
− 1 的平方根的虚数,即
j
=
−
1
j = \sqrt {-1}
j = − 1
。
R
R
R 表示复数的实部,
I
I
I 表示复数的虚部。 在极坐标下,有
C
=
∣
C
∣
(
cos
θ
+
j
sin
θ
)
C = |C|(\cos\theta + j\sin\theta)
C = ∣ C ∣ ( cos θ + j sin θ ) 式中,
∣
C
∣
=
R
2
+
I
2
|C|=\sqrt {R^2+I^2}
∣ C ∣ = R 2 + I 2
是复平面的原点到点
(
R
,
I
)
(R,I)
( R , I ) 的向量的长度,
θ
\theta
θ 是该向量与实轴的夹角。 从下图可以看出
tan
θ
=
I
R
\tan\theta = {I\over R}
tan θ = R I ,
R
=
cos
θ
∣
C
∣
R=\cos\theta|C|
R = cos θ ∣ C ∣ ,
I
=
sin
θ
∣
C
∣
I=\sin\theta|C|
I = sin θ ∣ C ∣ 。
3. 欧拉公式
欧拉公式定义如下:
e
j
θ
=
cos
θ
+
j
sin
θ
e^{j\theta} = \cos\theta + j\sin\theta
e j θ = cos θ + j sin θ 式中,
e
=
2.71828...
e=2.71828...
e = 2 . 7 1 8 2 8 . . . ,可给出极坐标下复数表示:
C
=
∣
C
∣
e
j
θ
C=|C|e^{j\theta}
C = ∣ C ∣ e j θ 式中,
∣
C
∣
|C|
∣ C ∣ 和
θ
\theta
θ 的定义如上。
4. 傅里叶级数
具有周期
T
T
T 的连续变量
t
t
t 的周期函数
f
(
t
)
f(t)
f ( t ) 可描述为乘以恰当系数的正弦和余弦之和,这个和就是傅里叶级数:
f
(
t
)
=
∑
n
=
−
∞
∞
c
n
e
j
2
π
n
T
t
f(t) = \sum_{n=-\infty}^\infty c_ne^{j{2\pi n\over T}t}
f ( t ) = n = − ∞ ∑ ∞ c n e j T 2 π n t 式中,
c
n
=
1
T
∫
−
T
/
2
T
/
2
f
(
t
)
e
−
j
2
π
n
T
t
d
t
,
n
=
0
,
±
1
,
±
2
,
…
c_n={1\over T}\int_{-T/2}^{T/2}f(t)e^{-j{2\pi n\over T}t}dt,\ \ \ \ \ \ n=0,\pm1,\pm2,\dots
c n = T 1 ∫ − T / 2 T / 2 f ( t ) e − j T 2 π n t d t , n = 0 , ± 1 , ± 2 , … 是系数。上式可展开为正弦与余弦之和这一事实来自欧拉公式。
5. 取样
连续变量
t
t
t 在
t
=
0
t=0
t = 0 处的单位冲激表示为
δ
(
t
)
\delta(t)
δ ( t ) ,其定义是:
δ
(
t
)
=
{
∞
,
t=0
0
,
t
≠
0
\delta(t)= \begin{cases} \infty, & \text {t=0} \\ 0, & \text{t$≠$0} \end{cases}
δ ( t ) = { ∞ , 0 , t=0 t ̸ = 0 冲激串
S
Δ
T
(
t
)
S_{\Delta T}(t)
S Δ T ( t ) 定义为无限多个离散的周期冲激单元
Δ
T
\Delta T
Δ T 之和:
S
Δ
T
(
t
)
=
∑
n
=
−
∞
∞
δ
(
t
−
n
Δ
T
)
S_{\Delta T}(t) = \sum_{n=-\infty}^\infty\delta(t-n\Delta T)
S Δ T ( t ) = n = − ∞ ∑ ∞ δ ( t − n Δ T ) 模拟取样的一种方法是,用一个
Δ
T
\Delta T
Δ T 单位间隔的冲激串作为取样函数去乘以
f
(
t
)
f(t)
f ( t ) ,即
f
~
(
t
)
=
f
(
t
)
S
Δ
T
(
t
)
=
∑
n
=
−
∞
∞
f
(
t
)
δ
(
t
−
n
Δ
T
)
(
1
)
\tilde f(t) = f(t)S_{\Delta T}(t) = \sum_{n=-\infty}^\infty f(t)\delta(t-n\Delta T)\ \ \ \ \ \ \ \ (1)
f ~ ( t ) = f ( t ) S Δ T ( t ) = n = − ∞ ∑ ∞ f ( t ) δ ( t − n Δ T ) ( 1 ) 式中,
f
~
(
t
)
\tilde f(t)
f ~ ( t ) 表示取样后的函数。这个和式的每个成分都是由该冲激位置处
f
(
t
)
f(t)
f ( t ) 的值加权后的冲激,每个取样值由加权后的冲激“强度”给出,我们可通过积分得到它,也就是说,序列中的任意取样值
f
k
f_k
f k 由下式给出:
f
k
=
∫
−
∞
∞
f
(
t
)
δ
(
t
−
k
Δ
T
)
d
t
=
f
(
k
Δ
T
)
(
2
)
f_k = \int_{-\infty}^\infty f(t)\delta(t-k\Delta T)dt = f(k\Delta T)\ \ \ \ \ \ \ \ (2)
f k = ∫ − ∞ ∞ f ( t ) δ ( t − k Δ T ) d t = f ( k Δ T ) ( 2 )
三、傅里叶变换
1. 一维连续傅里叶变换
f
(
t
)
f(t)
f ( t ) 的傅里叶变换可写为
F
(
u
)
=
∫
−
∞
∞
f
(
t
)
e
−
j
2
π
u
t
d
t
F(u) = \int_{-\infty}^\infty f(t)e^{-j2\pi ut}dt
F ( u ) = ∫ − ∞ ∞ f ( t ) e − j 2 π u t d t 相反,给定
F
(
u
)
F(u)
F ( u ) ,通过傅里叶反变换可以得到
f
(
t
)
f(t)
f ( t ) ,写为
f
(
t
)
=
∫
−
∞
∞
F
(
u
)
e
j
2
π
u
t
d
u
f(t)=\int_{-\infty}^\infty F(u)e^{j2\pi ut}du
f ( t ) = ∫ − ∞ ∞ F ( u ) e j 2 π u t d u 以上两式共同称为傅里叶变换对。它们指出一个函数可以由其变换来恢复。使用欧拉公式,
F
(
u
)
F(u)
F ( u ) 可写为
F
(
u
)
=
∫
−
∞
∞
f
(
t
)
[
cos
(
2
π
u
t
)
−
j
sin
(
2
π
u
t
)
]
d
t
F(u) = \int_{-\infty}^\infty f(t)[\cos(2\pi ut) - j\sin(2\pi ut)]dt
F ( u ) = ∫ − ∞ ∞ f ( t ) [ cos ( 2 π u t ) − j sin ( 2 π u t ) ] d t 可以看到,如果
f
(
t
)
f(t)
f ( t ) 是实数,那么其变换通常是复数。注意,傅里叶变换是
f
(
t
)
f(t)
f ( t ) 乘以正弦项的展开,正弦项的频率由
u
u
u 的值决定。因为积分后剩下的唯一变量是频率,故我们说傅里叶变换域是频率域。
2. 一维离散傅里叶变换
由取样后的函数的连续变换可得到离散傅里叶变换(DFT)。 采样后函数
f
~
(
t
)
\tilde f(t)
f ~ ( t ) 的变换
F
~
(
u
)
\tilde F(u)
F ~ ( u ) 的表达式如下:
F
~
(
u
)
=
∫
−
∞
∞
f
~
(
t
)
e
−
j
2
π
u
t
d
t
\tilde F(u) = \int_{-\infty}^\infty \tilde f(t)e^{-j2\pi ut}dt
F ~ ( u ) = ∫ − ∞ ∞ f ~ ( t ) e − j 2 π u t d t 用式(1)代替
f
~
(
t
)
\tilde f(t)
f ~ ( t ) 得:
F
~
(
u
)
=
∫
−
∞
∞
∑
n
=
−
∞
∞
f
(
t
)
δ
(
t
−
n
Δ
T
)
e
−
j
2
π
u
t
d
t
\tilde F(u) = \int_{-\infty}^\infty \sum_{n=-\infty}^\infty f(t)\delta(t-n\Delta T)e^{-j2\pi ut}dt
F ~ ( u ) = ∫ − ∞ ∞ n = − ∞ ∑ ∞ f ( t ) δ ( t − n Δ T ) e − j 2 π u t d t
=
∑
n
=
−
∞
∞
∫
−
∞
∞
f
(
t
)
δ
(
t
−
n
Δ
T
)
e
−
j
2
π
u
t
d
t
= \sum_{n=-\infty}^\infty \int_{-\infty}^\infty f(t)\delta(t-n\Delta T)e^{-j2\pi ut}dt
= n = − ∞ ∑ ∞ ∫ − ∞ ∞ f ( t ) δ ( t − n Δ T ) e − j 2 π u t d t
=
∑
n
=
−
∞
∞
f
n
e
−
j
2
π
u
n
Δ
T
(
3
)
= \sum_{n=-\infty}^\infty f_ne^{-j2\pi un\Delta T}\ \ \ \ \ \ \ (3)
= n = − ∞ ∑ ∞ f n e − j 2 π u n Δ T ( 3 ) 最后一步由式(2)得出。 虽然
f
n
f_n
f n 是离散函数,但其傅里叶变换
F
~
(
u
)
\tilde F(u)
F ~ ( u ) 是周期为
1
/
Δ
T
1/\Delta T
1 / Δ T 的无限周期连续函数。因此,我们需要表征
F
~
(
u
)
\tilde F(u)
F ~ ( u ) 的一个周期,而对一个周期取样是DFT的基础。 假设我们想要在周期
u
=
0
u=0
u = 0 到
u
=
1
/
Δ
T
u=1/\Delta T
u = 1 / Δ T 之间得到
F
~
(
u
)
\tilde F(u)
F ~ ( u ) 的
M
M
M 个等间距样本。这可通过在如下频率处取样得到:
u
=
m
M
Δ
T
,
m
=
0
,
1
,
2
,
.
.
.
,
M
−
1
u = {m\over M\Delta T},\ \ \ \ m=0,1,2,...,M-1
u = M Δ T m , m = 0 , 1 , 2 , . . . , M − 1 把
u
u
u 的这一结果代入式(3),并令
F
m
F_m
F m 表示得到的结果,则有:
F
m
=
∑
n
=
0
M
−
1
f
n
e
−
j
2
π
m
n
/
M
,
m
=
0
,
1
,
2
,
.
.
.
,
M
−
1
F_m = \sum_{n=0}^{M-1}f_ne^{-j2\pi mn/M},\ \ \ \ m=0,1,2,...,M-1
F m = n = 0 ∑ M − 1 f n e − j 2 π m n / M , m = 0 , 1 , 2 , . . . , M − 1 这个表达式就是我们寻找的离散傅里叶变换。 通过傅里叶反变换(IDFT)可以得到 :
f
n
=
1
M
∑
m
=
0
M
−
1
F
m
e
j
2
π
m
n
/
M
,
n
=
0
,
1
,
2
,
.
.
.
,
M
−
1
f_n = {1\over M}\sum_{m=0}^{M-1}F_me^{j2\pi mn/M},\ \ \ \ n=0,1,2,...,M-1
f n = M 1 m = 0 ∑ M − 1 F m e j 2 π m n / M , n = 0 , 1 , 2 , . . . , M − 1 在前面的阐述中,我们使用
m
m
m 和
n
n
n 来表示离散变量,因为人们在推导中历来都是这一的。然而,特别是在二维情况下,使用
x
x
x 和
y
y
y 表示图像坐标变量并使用
u
u
u 和
v
v
v 表示频率变量更为,在这里,这些变量可以理解为整数。这样,最终得到的离散傅里叶变换对如下(
F
(
u
)
≡
F
m
,
f
(
x
)
≡
f
n
F(u)\equiv F_m,f(x)\equiv f_n
F ( u ) ≡ F m , f ( x ) ≡ f n ):
F
(
u
)
=
∑
x
=
0
M
−
1
f
(
x
)
e
−
j
2
π
u
x
/
M
,
u
=
0
,
1
,
2
,
.
.
.
,
M
−
1
F(u) = \sum_{x=0}^{M-1}f(x)e^{-j2\pi ux/M},\ \ \ \ u=0,1,2,...,M-1
F ( u ) = x = 0 ∑ M − 1 f ( x ) e − j 2 π u x / M , u = 0 , 1 , 2 , . . . , M − 1
f
(
x
)
=
1
M
∑
u
=
0
M
−
1
F
(
u
)
e
j
2
π
u
x
/
M
,
x
=
0
,
1
,
2
,
.
.
.
,
M
−
1
f(x) = {1\over M}\sum_{u=0}^{M-1}F(u)e^{j2\pi ux/M},\ \ \ \ x=0,1,2,...,M-1
f ( x ) = M 1 u = 0 ∑ M − 1 F ( u ) e j 2 π u x / M , x = 0 , 1 , 2 , . . . , M − 1
3. 二维连续傅里叶变换
令
f
(
t
,
z
)
f(t, z)
f ( t , z ) 是两个连续变量
t
t
t 和
z
z
z 的连续函数。则其二维连续傅里叶变换对可由下式给出:
F
(
u
,
v
)
=
∫
−
∞
∞
∫
−
∞
∞
f
(
t
,
z
)
e
−
j
2
π
(
u
t
+
v
z
)
d
t
d
z
F(u, v) = \int_{-\infty}^\infty \int_{-\infty}^\infty f(t, z)e^{-j2\pi (ut+vz)}dt\ dz
F ( u , v ) = ∫ − ∞ ∞ ∫ − ∞ ∞ f ( t , z ) e − j 2 π ( u t + v z ) d t d z
f
(
t
,
z
)
=
∫
−
∞
∞
∫
−
∞
∞
F
(
u
,
v
)
e
j
2
π
(
u
t
+
v
z
)
d
u
d
v
f(t, z) = \int_{-\infty}^\infty \int_{-\infty}^\infty F(u, v)e^{j2\pi (ut+vz)}du\ dv
f ( t , z ) = ∫ − ∞ ∞ ∫ − ∞ ∞ F ( u , v ) e j 2 π ( u t + v z ) d u d v 式中,
u
u
u 和
v
v
v 是频率变量。当涉及图像时,
t
t
t 和
z
z
z 解释为连续空间变量。
4. 二维离散傅里叶变换
二维离散傅里叶变换:
F
(
u
,
v
)
=
∑
x
=
0
M
−
1
∑
y
=
0
N
−
1
f
(
x
,
y
)
e
−
j
2
π
(
u
x
/
M
+
v
y
/
N
)
,
u
=
0
,
1
,
2
,
.
.
.
,
M
−
1
,
v
=
0
,
1
,
2
,
.
.
.
,
N
−
1
F(u, v) = \sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x, y)e^{-j2\pi (ux/M+vy/N)},\ \ u=0,1,2,...,M-1,\ \ v=0,1,2,...,N-1
F ( u , v ) = x = 0 ∑ M − 1 y = 0 ∑ N − 1 f ( x , y ) e − j 2 π ( u x / M + v y / N ) , u = 0 , 1 , 2 , . . . , M − 1 , v = 0 , 1 , 2 , . . . , N − 1 使用傅里叶反变换得到
f
(
x
,
y
)
f(x,y)
f ( x , y ) :
f
(
x
,
y
)
=
1
M
N
∑
u
=
0
M
−
1
∑
v
=
0
N
−
1
F
(
u
,
v
)
e
j
2
π
(
u
x
/
M
+
v
y
/
N
)
,
x
=
0
,
1
,
2
,
.
.
.
,
M
−
1
,
y
=
0
,
1
,
2
,
.
.
.
,
N
−
1
f(x, y) = {1\over{MN}}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u, v)e^{j2\pi (ux/M+vy/N)},\ \ x=0,1,2,...,M-1,\ \ y=0,1,2,...,N-1
f ( x , y ) = M N 1 u = 0 ∑ M − 1 v = 0 ∑ N − 1 F ( u , v ) e j 2 π ( u x / M + v y / N ) , x = 0 , 1 , 2 , . . . , M − 1 , y = 0 , 1 , 2 , . . . , N − 1
四、卷积
1. 定义
具有连续变量
t
t
t 的两个连续函数
f
(
t
)
f(t)
f ( t ) 和
h
(
t
)
h(t)
h ( t ) 的卷积定义如下:
f
(
t
)
★
h
(
t
)
=
∫
−
∞
∞
f
(
τ
)
h
(
t
−
τ
)
d
τ
f(t) ★ h(t) = \int_{-\infty}^\infty f(\tau)h(t-\tau) d\tau
f ( t ) ★ h ( t ) = ∫ − ∞ ∞ f ( τ ) h ( t − τ ) d τ 二维卷积定义如下:
f
(
x
,
y
)
★
h
(
x
,
y
)
=
∑
m
=
0
M
−
1
∑
n
=
0
N
−
1
f
(
m
,
n
)
h
(
x
−
m
,
y
−
n
)
f(x, y) ★ h(x, y) = \sum_{m=0}^{M-1}\sum_{n=0}^{N-1}f(m, n)h(x-m, y-n)
f ( x , y ) ★ h ( x , y ) = m = 0 ∑ M − 1 n = 0 ∑ N − 1 f ( m , n ) h ( x − m , y − n )
2. 一维卷积定理
空间域中两个函数的卷积的傅里叶变换,等于两个函数的傅里叶变换在频率域中的乘积;如果有两个变换的乘积,那么我们可以通过计算傅里叶反变换得到空间域的卷积。 卷积定义可通过以下公式表示。我们将
t
t
t 所在的域称为空间域,将
u
u
u 所在的域称为频率域。
F
(
u
)
F(u)
F ( u ) 是
f
(
t
)
f(t)
f ( t ) 的傅里叶变换;
H
(
u
)
H(u)
H ( u ) 是
h
(
t
)
h(t)
h ( t ) 的傅里叶变换,根据卷积定理有(
  
⟺
  
\iff
⟺ 表示傅里叶变换对):
f
(
t
)
★
h
(
t
)
  
⟺
  
F
(
u
)
H
(
u
)
f(t) ★ h(t) \iff F(u)H(u)
f ( t ) ★ h ( t ) ⟺ F ( u ) H ( u )
f
(
t
)
h
(
t
)
  
⟺
  
F
(
u
)
★
H
(
u
)
f(t)h(t) \iff F(u) ★ H(u)
f ( t ) h ( t ) ⟺ F ( u ) ★ H ( u )
3. 二维卷积定理
f
(
x
,
y
)
★
h
(
x
,
y
)
  
⟺
  
F
(
u
,
v
)
H
(
u
,
v
)
f(x, y) ★ h(x, y) \iff F(u, v)H(u, v)
f ( x , y ) ★ h ( x , y ) ⟺ F ( u , v ) H ( u , v )
f
(
x
,
y
)
h
(
x
,
y
)
  
⟺
  
F
(
u
,
v
)
★
H
(
u
,
v
)
f(x, y)h(x, y) \iff F(u, v) ★ H(u, v)
f ( x , y ) h ( x , y ) ⟺ F ( u , v ) ★ H ( u , v )
五、傅里叶谱和相角
因为二维DFT通常是复函数,因此可使用极坐标形式来表示:
F
(
u
,
v
)
=
∣
F
(
u
,
v
)
∣
e
j
ϕ
(
u
,
v
)
F(u, v) = |F(u, v)|e^{j\phi (u, v)}
F ( u , v ) = ∣ F ( u , v ) ∣ e j ϕ ( u , v ) 式中,幅度
∣
F
(
u
,
v
)
∣
=
[
R
2
(
u
,
v
)
+
F
2
(
u
,
v
)
]
1
2
|F(u, v)| = [R^2(u, v)+F^2(u, v)]^{1\over2}
∣ F ( u , v ) ∣ = [ R 2 ( u , v ) + F 2 ( u , v ) ] 2 1 称为傅里叶谱(或频谱),而
ϕ
(
u
,
v
)
=
a
r
c
tan
[
I
(
u
,
v
)
R
(
u
,
v
)
]
\phi (u, v) = arc\tan[{I(u, v)\over{R(u, v)}}]
ϕ ( u , v ) = a r c tan [ R ( u , v ) I ( u , v ) ] 称为相角。
六、频率域的其他特性
变换最慢的频率成分(
u
=
v
=
0
u=v=0
u = v = 0 )与图像的平均灰度成正比。 当我们远离变换的原点时,低频对应于图像中变换缓慢的灰度成分;当我们原点移开更远一些时,较高的频率开始对应于图像中越来越快的灰度变化。 频率域中的滤波技术是以如下处理为基础的:修改傅里叶变换以达到特殊目的,然后计算IDFT返回到图像域。
以上全部内容参考书籍如下: 冈萨雷斯《数字图像处理(第三版)》