实验四 图像的傅立叶变换与频域滤波 一、 实验目的 1了解图像变换的意义和手段； 2熟悉傅里叶变换的基本性质； 3熟练掌握FFT 方法的应用； 4通过实验了解二维频谱的分布特点； 5通过本实验掌握利用MATLAB 编程实现数字图像的傅立叶变换。 6、掌握怎样利用傅立叶变换进行频域滤波 7、掌握频域滤波的概念及方法 8、熟练掌握频域空间的各类滤波器 9、利用MATLAB 程序进行频域滤波 二、 实验原理 1应用傅立叶变换进行图像处理 傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。通过实验培养这项技能，将有助于解决大多数图像处理问题。对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。 2傅立叶（Fourier ）变换的定义 对于二维信号，二维Fourier 变换定义为 : ??∞ ∞ -+-==dxdy e y x f v u F y x f F vy ux j )(2),(),()},({π
二维离散傅立叶变换为： ∑ ∑-=+--==10)(21 01 ),(),(N y N y u M x u j M x MN e y x f v u F π 图像的傅立叶变换与一维信号的傅立叶变换变换一样，有快速算法，具体参见参考书目，有关傅立叶变换的快速算法的程序不难找到。实际上，现在有实现傅立叶变换的芯片，可以实时实现傅立叶变换。 3利用MATLAB 软件实现数字图像傅立叶变换的程序： I=imread(‘原图像名.gif’); %读入原图像文件 imshow(I); %显示原图像 fftI=fft2(I); %二维离散傅立叶变换 sfftI=fftshift(fftI); %直流分量移到频谱中心 RR=real(sfftI); %取傅立叶变换的实部 II=imag(sfftI); %取傅立叶变换的虚部 A=sqrt(RR.^2+II.^2);%计算频谱幅值 A=（A-min(min(A))）/(max(max(A))-min(min(A)))*225; %归一化 figure; %设定窗口 imshow(A); %显示原图像的频谱 域滤波分为低通滤波和高通滤波两类，对应的滤波器分别为低通滤波器和 高通滤波器。频域低通过滤的基本思想： G(u,v)=F(u,v)H(u,v) F(u,v)是需要钝化图像的傅立叶变换形式，H(u,v)是选取的一个低通过滤
2D 傅里叶变换理解心得 一、 目的 完整推倒2D 傅里叶变换公式，加深对2D 傅里叶变换公式的理解。 二、 内容 2维傅里叶变换，针对的信号函数是2维空间平面内的函数，2维傅里叶变换也有四种不同的形式。 1、 连续周期时域信号<---->非周期离散频谱。2D_CFS (,)XY f x y 表示2维周期连续信号，可以理解为一幅连续的图像信号（这里(,)XY f x y 可以为复数信号，但工程实践中常为实信号），(,)F k l 表示2维频谱信号，其中,k l 取-∞ +∞上的整数。 00000000002()2()00 00 2()2()0000 2()00 (,).(,).(,).1(,).,,-+X Y X Y j ku x lv y j ku x lv y XY XY X Y X Y j ku x lv y j ku x lv y X Y j ku x lv y XY f x y e dxdy f x y e dxdy F k l e e dxdy dxdy f x y e dxdy k l XY πππππ-+-++-+-+= = = ∞ ∞?? ?? ?????? 取上的实整数 其中X,Y 为(,)XY f x y 在x 坐标和y 坐标上各自的最小正周期。00,u v 表示在x 坐标和y 坐标上各自的基频率，这里有0011 ,u v X Y = =，,k l 取-∞+∞上的整数，对应不同的频率成分，(,) F k l 的图像为离散的，且在x 坐标和y 坐标上的频率间隔分别为0011 ,u v X Y = =。 002() (,)(,).,,-+j ku x lv y XY k l f x y F k l e x y π+∞ +∞ +=-∞=-∞ = ∞∞∑ ∑ 取上的实数 这里，(,)F k l 为复数。 所以得到2D_CFS （2维连续傅里叶级数） 00002() 002()(,).(,),,-+(,)(,).,,-+X Y j ku x lv y XY j ku x lv y XY k l f x y e dxdy F k l k l XY f x y F k l e x y ππ-++∞+∞ +=-∞=-∞????=∞∞???=∞∞?? ?? ∑∑取上的实整数 取上的实数
实验五图像的傅立叶变换和边缘提取 兰州大学信息学院 0级通信工程一班赵军伟 第一部分图像的傅立叶变换 一、实验目的 1.了解图像变换的意义和手段； 2. 熟悉傅里叶变换的基本性质； 3. 熟练掌握FFT的方法及应用； 4. 通过实验了解二维频谱的分布特点； 5. 通过本实验掌握利用MATLAB编程实现数字图像的傅立叶变换。 二、实验原理 1．应用傅立叶变换进行图像处理 傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、电子放大器、卷积滤波器、噪音和显示点等的作用。通过实验培养这项技能，将有助于解决大多数图像处理问题。对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在学习和掌握博里叶变换上是很有必要的。b5E2RGbCAP 2．傅立叶 对于二维信号，二维Fourier变换定义为： 二维离散傅立叶变换为： 三、实验步骤 1.打开计算机，安装和启动MATLAB程序；程序组中“work”文件夹中应有待处理的图像文件； 2.利用MatLab工具箱中的函数编制FFT频谱显示的函数。 3. a>调入、显示三张不同的图像； b>对这三幅图像做FFT并利用自编的函数显示其频谱。 c>讨论不同的图像内容与FFT频谱之间的对应关系。 4．记录和整理实验报告。 四、实验仪器 1计算机， MATLAB软件； 3移动式存储器<软盘、U盘等）。 4记录用的笔、纸。 五、实验结果及程序 1.程序 I1=imread('F:\MATLAB学习\实验\picture\LENA.TIF'>。 %读入原图像文件p1EanqFDPw I2=imread('F:\MATLAB学习\实验\picture\cell.tif'>。 %读入原图像文件DXDiTa9E3d I3=imread('cameraman.tif'>。 %读入原图像文件 subplot(3,2,1>。imshow(I1>。 %显示原图像 fftI1=fft2(I1>。 %二维离散傅立叶变换sfftI1=fftshift(fftI1>。 %直流分量移到频谱中心 RR1=real(sfftI1>。 %取傅立叶变换的实部II1=imag(sfftI1>。 %取傅立叶变换的虚部A1=sqrt(RR1.^2+II1.^2>。 %计算频谱幅值 A1=(A1-min(min(A1>>>/(max(max(A1>>-min(min(A1>>>*225。%归一化RTCrpUDGiT subplot(3,2,2>。imshow(A1>。 %显示原图像的频谱 subplot(3,2,3>。imshow(I2>。 %显示原图像 fftI2=fft2(I2>。 %二维离散傅立叶变换sfftI2=fftshift(fftI2>。 %直流分量移到频谱中心RR2=real(sfftI2>。 %取傅立叶变换的实部II2=imag(sfftI2>。 %取傅立叶变换的虚部A2=sqrt(RR2.^2+II2.^2>。 %计算频谱幅值 图像傅立叶变换（二维傅立叶变换fourier, 二维DFT, 2d-fft）的原理和物理意义 图像傅立叶变换 图像的傅立叶变换，原始图像由N行N列构成，N必须是基2的，把这个N*N个包含图像的点称为实部，另外还需要N*N个点称为虚部，因为FFT是基于复数的，如下图所示： 计算图像傅立叶变换的过程很简单：首先对每一行做一维FFT，然后对每一列做一维FFT。具体来说，先对第0行的N个点做FFT（实部有值，虚部为0），将FFT输出的实部放回原来第0行的实部，FFT输出的虚部放回第0行的虚部，这样计算完全部行之后，图像的实部和虚部包含的是中间数据，然后用相同的办法进行列方向上的FFT变换，这样N*N的图像经过FFT得到一个N*N的频谱。 下面展示了一副图像的二维FFT变换： 频域中可以包含负值，图像中灰色表示0，黑色表示负值，白色表示正值。可以看到4个角上的黑色更黑，白色更白，表示其幅度更大，其实4个角上的系数表示的是图像的低频组成部分，而中心则是图像的高频组成部分。除此以外，FFT的系数显得杂乱无章，基本看不出什么。 将上述直角坐标转换为极坐标的形式，稍微比较容易理解一点，幅度中4个角上白色的区域表示幅度较大，而相位中高频和低频基本看不出什么区别来。 上述以一种不同的方法展示了图像频谱，它将低频部分平移到了频谱的中心。这个其实很好理解，因为经2D-FFT的信号是离散图像，其2D-FFT的输出就是周期信号，也就是将前面一张图周期性平铺，取了一张以低频为中心的图。将原点放在中心有很多好处，比如更加直观更符合周期性的原理，但在这节中还是以未平移之前的图来解释。 行N/2和列N/2将频域分成四块。对实部和幅度来说，右上角和左下角成镜像关系，左上角和右下角也是镜像关系；对虚部和相位来说，也是类似的，只是符号要取反，这种对称性和1维傅立叶变换是类似的，你可以往前看看。 为简单起见，先考虑4*4的像素，右边是其灰度值，对这些灰度值进行2维fft变换。 h和k的范围在-N/2到N/2-1之间。 通常I(n,m)是实数，F(0,0)总是实数，并且F(h,k)具有对偶性。 如果写成指数形式，即: -------------------------------- 图像傅立叶变换的物理意义 快速傅里叶变换FFT算法及其应用 摘要 本文较为系统地阐述了快速傅里叶变换的算法原理及其在数字信号处理等 工程技术中的应用。根据抽取方法的不同，一维基2 FFT算法分为两种：频域抽取的FFT算法和时频域抽取的FFT算法。第1节阐述了这两种FFT算法的原理。第2节给出了两种算法的编程思想和步骤。第3节阐述了一维非基2 FFT的两种算法：Cooley-tukey FFT算法和素因子算法(Prime Factor Algorithm)的思想原理，给出了在把一维非基2 DFT的多层分解式转化为二层分解的过程中，如何综合运用这两种算法以达到总运算次数最少的方案；并以20点DFT为例描述了非基2 FFT算法实现的一般步骤。第4节介绍了一维FFT算法在计算连续时间信号的傅里叶变换、离散信号的线性卷积、离散信号压缩和滤波等数字信号处理中的典型应用。第5节把一维FFT变换推广到二维FFT变换，并在一维FFT算法的基础上，给出了二维FFT算法的原理和实现过程。最后在附录中给出了一维DFT 的基2 FFT 算法（包括频域抽取的FFT和IFFT算法、时域抽取的FFT和IFFT 算法），一维任意非基2 FFT算法，二维DFT的基2 FFT 算法以及二维DFT的任意非基2 FFT 算法的详细的Visual C++程序。 本文通过各种流程图和表格，较为深入系统地阐述了FFT的算法原理；运用Matlab编程，通过大量生动的实例，图文并茂地列举出了FFT算法的各种应用，并在每个实例中都附上了完整的Matlab程序，可供读者参考。由于篇幅所限，本文未涉及FFT变换以及其应用的数学理论背景知识。 关键词：FFT算法的应用，一维基2 FFT算法，频域抽取，时域抽取，非基2 FFT算法，Cooley-Tukey算法，素因子算法，线形卷积，信号压缩和滤波，二维FFT算法 傅里叶变换在图像处理中的作用 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数 傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度？因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰 注： 1、图像经过二维傅立叶变换后，其变换系数矩阵表明： 若变换矩阵Fn原点设在中心，其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区)。若所用的二维傅立叶变换矩阵Fn的原点设在左上角，那么图像信号能量将集中在系数矩阵的四个角上。这是由二维傅立叶变换本身性质决定的。同时也表明一股图像能量集中低频区域。 2 、变换之后的图像在原点平移之前四角是低频，最亮，平移之后中间部分是低频，最亮，亮度大说明低频的能量大（幅角比较大） 傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量 时域信号 弧频率表示的 傅里叶变换 注释 1 线性 2 时域平移 3 频域平移, 变换2的频域对应4 如果值较大，则会收缩 到原点附近，而会扩 散并变得扁平. 当 | a | 趋向 无穷时，成为 Delta函数。 5 傅里叶变换的二元性性质。通过 交换时域变量和频域变量 得到. 6 傅里叶变换的微分性质 7 变换6的频域对应 8 表示和的卷积—这 9 矩形脉冲和归一化的sinc 函数 10 变换10的频域对应。矩形函数是理想的低通滤波器，sinc 函数是这类滤波器对反因果冲击的响应。 11 tri 是三角形函数 12 变换12的频域对应 13 高斯函数 exp( ? αt 2) 的傅里叶变换是他本身. 只有当 Re(α) > 0时，这是可积的。 14 15 16 a>0 17 变换本身就是一个公式 18 δ(ω) 代表狄拉克δ函数分布. 这 个变换展示了狄拉克δ函数的重要 性：该函数是常函数的傅立叶变换 19 变换23的频域对应 20 由变换3和24得到. 21 由变换1和25得到，应用了欧拉公 式: cos(at) = (e iat + e?iat) / 2. 22 由变换1和25得到 23 这里, n是一个自然数. δ(n)(ω) 是狄拉克δ函数分布的n阶微分。这 个变换是根据变换7和24得到的。 将此变换与1结合使用，我们可以变 换所有多项式。 24 此处sgn(ω)为符号函数；注意此变 换与变换7和24是一致的. 25 变换29的推广. 26 变换29的频域对应. 27 此处u(t)是单位阶跃函数; 此变换 根据变换1和31得到. 目录 一、前言 二、设计题目 三、设计要求 3.1 设计目的 3.2 设计要求 四、设计内容 五、设计原理 5.2 离散傅里叶变换DFT 5.3 快速傅里叶变换FFT 六、总体方案设计 6.1 设计有关程序流程图 6.2 在CCS环境下加载、调试源程序 七、主要参数 八、实验结果分析 九、设计总结 一、前言 随着数字电子技术的发展，数字信号处理的理论和技术广泛的应用于通讯、语音处理、计算机和多媒体等领域。快速傅里叶变换（FFT）使离散傅里叶变换的时间缩短了几个数量级。在数字信号处理领域被广泛的应用。FFT已经成为现代化信号处理的重要手段之一。 本次课程设计主要运用CCS这一工具。CCS(Code Composer Studio)是一种针对TM320系列DSP的集成开发环境，在Windows操作系统下，采用图形接口界面，提供环境配置、源文件编辑、程序调试、跟踪和分析等工具，可以帮助用户在一个软件环境下完成编辑、编译、链接、调试和数据分析等工作。 CCS有两种工作模式，即软件仿真器和硬件在线编程。软件仿真器工作模式可以脱离DSP芯片，在PC上模拟DSP的指令集和工作机制，主要用于前期算法实现和调试。硬件在线编程可以实时运行在DSP芯片上，与硬件开发板相结合进行在线编程和调试应用程序。二、设计题目 快速傅里叶变换（FFT）的DSP实现 三、设计要求 3.1设计目的 ⑴加深对DFT算法原理和基本性质的理解； ⑵熟悉FFT的算法原理和FFT子程序的算法流程和应用； ⑶学习用FFT对连续信号和时域信号进行频谱分析的方法； ⑷学习DSP中FFT的设计和编程思想； ⑸学习使用CCS 的波形观察器观察波形和频谱情况； 3.2 基本要求 ⑴研究FFT 原理以及利用DSP 实现的方法； ⑵编写FFT 程序； ⑶调试程序，观察结果。 四、 设计内容 ⑴用DSP 汇编语言及C 语言进行编程； ⑵实现FFT 运算、对输入信号进行频谱分析。 五、 设计原理 快速傅里叶变换FFT 快速傅里叶变换（FFT ）是一种高效实现离散傅里叶变换（DFT ）的快速算法，是数字信号处理中最为重要的工具之一，它在声学，语音，电信和信号处理等领域有着广泛的应用。 5.1. 离散傅里叶变换DFT 对于长度为N 的有限长序列x(n)，它的离散傅里叶变换（DFT ）为 （1） 式中， ，称为旋转因子或蝶形因子。 从DFT 的定义可以看出，在x(n)为复数序列的情况下，对某个k 值，直接按（1）式计算X(k) 只需要N 次复数乘法和（N-1）次复数加法。因此，对所有N 个k 值，共需要N2次复数乘法和N(N-1)次复数加法。对于一些相当大有N 值（如1024点）来说，直接计算它的DFT 所需要的计算量是很大的，因此DFT 运算的应用受到了很大 1 ,1,0,)()(1 -== ∑-=N k W n x k X n n nk N N j N e W /2π-= 第2章信号分析 本章提要 信号分类 周期信号分析--傅里叶级数 非周期信号分析--傅里叶变换 脉冲函数及其性质 信号：反映研究对象状态和运动特征的物理量信号分析：从信号中提取有用信息的方法 和手段 §2－1 信号的分类 两大类：确定性信号，非确定性信号 确定性信号：给定条件下取值是确定的。 进一步分为：周期信号， 非周期信号。 非确定性信号（随机信号）：给定条件下 取值是不确定的 按取值情况分类：模拟信号，离散信号数字信号：属于离散信号，幅值离散，并用二进制表示。 信号描述方法 时域描述 如简谐信号 频域描述 以信号的频率结构来描述信号的方法:将信号看成许多谐波（简谐信号）之和，每一个谐波称作该信号的一个频率成分，考察信号含有那些频率的谐波，以及各谐波的幅值和相角。 傅里叶级数的三角函数展开式 （n=1, 2, 3，…） 傅立叶系数： 式中Ｔ--周期；0--基频, 0=2/T。 三角函数展开式的另一种形式：周期信号可以看作均值与一系列谐波之和--谐波分析法 频谱图 周期信号的频谱三个特点：离散性、谐波性、收敛性 例1：求周期性非对称周期方波的傅立叶级数并画出频谱图 解： 解： 信号的基频 傅里叶系数 n次谐波的幅值和相角 最后得傅立叶级数 频谱图 幅频谱图相频谱图 二、周期信号傅里叶级数的复指数形式 欧拉公式 或 傅立叶级数的复指数形式 复数傅里叶系数的表达式 其中a n，b n的计算公式与三角函数形式相同，只是n包括全部整数。 一般c n是个复数。 因为a n是n的偶函数，b n是n的奇函数，因此# 即：实部相等，虚部相反，c n与c-n共轭。 c n的复指数形式 共轭性还可以表示为 即：c n与c-n模相等，相角相反。 傅立叶级数复指数也描述信号频率结构。它与三角函数形式的关系 对于n>0 图像的二维离散傅立叶变换 一、实验目的 掌握图像的二维离散傅立叶变换以及性质 二、实验要求 1) 建立输入图像，在64?64的黑色图像矩阵的中心建立16?16的白色矩形图像点阵， 形成图像文件。对输入图像进行二维傅立叶变换，将原始图像及变换图像（三维、中心化）都显示于屏幕上。 2) 调整输入图像中白色矩形的位置，再进行变换，将原始图像及变换图像（三维、中 心化）都显示于屏幕上，比较变换结果。 3) 调整输入图像中白色矩形的尺寸（40?40，4?4），再进行变换，将原始图像及变 换图像（三维、中心化）都显示于屏幕上，比较变换结果。 三、实验仪器设备及软件 HP D538、MATLAB 四、实验原理 设),(y x f 是在空间域上等间隔采样得到的M ×N 的二维离散信号，x 和y 是离散实变量，u 和v 为离散频率变量，则二维离散傅里叶变换对一般地定义为 ∑∑-=-=+-=1010)],(2exp[),(1),(M x N y N yu M xu j y x f MN v u F π,1,0=u …，M-1；y=0，1，…N-1 ∑∑-=-=+=101 0)],( 2e x p [),(),(M x N y N uy M ux j v u F y x f π ,1,0=x …，M-1；y=0，1，…N-1 在图像处理中，有事为了讨论上的方便，取M=N ，这样二维离散傅里叶变换对就定义为,])(2exp[),(1),(1010∑∑-=-=+-=N x N y N yu xu j y x f N v u F π 1,0,=v u …，N-1 ,])(2exp[),(1),(1010∑∑-=-=+=N u N v N vy ux j v u F N y x f π 1,0,=y x ，…，N-1 其中，]/)(2exp[N yv xu j +-π是正变换核，]/)(2exp[N vy ux j +π是反变换核。 将二维离散傅里叶变换的频谱的平方定义为),(y x f 的功率谱，记为 图像傅里叶变换 冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样, 傅立叶变换使我们能通过频率成分来分析一个函数。 Fourier theory讲的就是：任何信号（如图像信号）都可以表示成一系列正弦信号的叠加，在图像领域就是将图像brightness variation 作为正弦变量。比如下图的正弦模式可在单傅里叶中由三个分量编码：频率f、幅值A、相位γ这 三个value可以描述正弦图像中的所有信息。1.frequency frequency在空间域上可由亮度调节，例如左图的frequency比右图的frequency 低…… 2.幅值magnitude（amplitude）sin函数的幅值用于描述对比度，或者说是图像中最明和最暗的峰值之间的差。（一个负幅值表示一个对比逆转，即明暗交换。） 3.相位表示相对于原始波形，这个波形的偏移量（左or右）。=================================================================一个傅里叶变换编码是一系列正弦曲线的编码，他们的频率从0开始（即没有调整，相位为0，平均亮度处），到尼奎斯特频率（即数字图像中可被编码的最高频率，它和像素大小、resolution有关）。傅里叶变换同时将图像中所有频率进行编码：一个只包含一个频率f1的信号在频谱上横坐标f为f1的点处绘制一个单峰值，峰值高度等于对应的振幅amplitude，或者正弦曲线信号的高度。如下图所示。 【纯技术帖】为什么要进行傅立叶变换？傅立叶变换究竟有何意义？如何用Matlab实现快速傅立叶 变换？来源：胡姬的日志 写在最前面：本文是我阅读了多篇相关文章后对它们进行分析重组整合而得，内容非我所原创。在此 向多位原创作者致敬！！！ 一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解，最近，我偶尔从网上看到一个关于数字信号处理的电子书籍，是一个叫Steven W. Smith, Ph.D.外国人写的，写得 非常浅显，里面有七章由浅入深地专门讲述关于离散信号的傅立叶变换，虽然是英文文档，我还是硬着头皮看完了有关傅立叶变换的有关内容，看了有茅塞顿开的感觉，在此把我从中得到的理解拿出来跟大家分享，希望很多被傅立叶变换迷惑的朋友能够得到一点启发，这电子书籍是免费的，有兴趣的朋友也可以从网上下载下来看一下，URL地址是： https://www.doczj.com/doc/8e3585812.html,/pdfbook.htm 要理解傅立叶变换，确实需要一定的耐心，别一下子想着傅立叶变换是怎么变换的，当然，也需要一定的高等数学基础，最基本的是级数变换，其中傅立叶级数变换是傅立叶变换的基础公式。 二、傅立叶变换的提出 让我们先看看为什么会有傅立叶变换？傅立叶是一位法国数学家和物理学家的 名字，英语原名是Jean Baptiste Joseph Fourier(1768-1830), Fourier对热传递很感兴趣，于1807年在法国科学学会上发表了一篇论文，运用正弦曲线来描述温度分布，论文里有个在当时具有争议性的决断：任何连续周期信号可以由一组适当的正弦曲线组合而成。当时审查这个论文的人，其中有两位是历史上著名的数学家拉格朗日(Joseph Louis Lagrange, 1736-1813)和拉普拉斯(Pierre Simon de Laplace, 1749-1827)，当拉普拉斯和其它审查者投票通过并要发表这个论文时，拉格朗日坚决反对，在近50年的时间里，拉格朗日坚持认为傅立叶的方法无法表示带有棱角的信号，如在方波中出现非连续变化斜率。法国科学学会屈服于拉格朗日的威望，拒绝了傅立叶的工作，幸运的是，傅立叶还有其它事情可忙，他参加了政治运动，随拿破仑远征埃及，法国大革命后因会被推上断头台而一直在逃避。直到拉格朗日死后15年这个论文才被发表出来。 谁是对的呢？拉格朗日是对的：正弦曲线无法组合成一个带有棱角的信号。但是，我们可以用正弦曲线来非常逼近地表示它，逼近到两种表示方法不存在能量差别，基于此，傅立叶是对的。 为什么我们要用正弦曲线来代替原来的曲线呢？如我们也还可以用方波或三角 波来代替呀，分解信号的方法是无穷的，但分解信号的目的是为了更加简单地处理原来的信号。用正余弦来表示原信号会更加简单，因为正余弦拥有原信号所不具有的性质：正弦曲线保真度。一个正弦曲线信号输入后，输出的仍是正弦曲线， 傅里叶变换及其在数字图像处理中的应用 王家硕 学号：1252015 一、 Fourier 变换 1. 一维连续傅里叶变换 设 f (x)为x 的实变函数，如果f (x)满足下面的狄里赫莱条件： （1）具有有限个间隔点。 （2）具有有限个极点。 （3）绝对可积。 则 f (x )的傅里叶变换（Fourier Transformation ，FT ）定义为: Fourier 正变换：dt e t f t f f F t j ? +∞ ∞ --==ωω)()]([)(； Fourier 逆变换：ωωπ ωd e f t F f t f t j ? ∞ +∞ ---= =)(21)]([)(1 ， 式中：1-= j ，ω 为频域变量。 f (x )与F (w )构成傅里叶变换对，可以证明傅里叶变换对总是存在的。由于f (x )为实函数，则它的傅里叶变换F (w )通常是复函数，于是F (w )可写成 F (w ) = R (w ) + j I (w ) (1) 式中：R (w )和I (w )分别是F (w )的实部和虚部。公式1可表示为指数形式： 式中： F (w ) 为f (x )的傅里叶幅度谱，f (w )为f (x )的相位谱。 2. 二维连续傅里叶变换 如果二维函数f (x , y )是连续可积的，即∞ 快速傅里叶变换(FFT)的原理及公式 原理及公式 非周期性连续时间信号x(t)的傅里叶变换可以表示为 式中计算出来的是信号x(t)的连续频谱。但是，在实际的控制系统中能够得到的是连续信号x(t)的离散采样值x(nT)。因此需要利用离散信号x(nT)来计算信号x(t)的频谱。 有限长离散信号x(n)，n=0，1，…，N-1的DFT定义为： 可以看出，DFT需要计算大约N2次乘法和N2次加法。当N较大时，这个计算量是很大的。利用WN的对称性和周期性，将N点DFT分解为两个N／2点 的DFT，这样两个N／2点DFT总的计算量只是原来的一半，即(N／2)2+(N／2)2=N2／2，这样可以继续分解下去，将N／2再分解为N／4点DFT等。对于N=2m点的DFT都可以分解为2点的DFT，这样其计算量可以减少为(N／2)log2N 次乘法和Nlog2N次加法。图1为FFT与DFT-所需运算量与计算点数的关系曲线。由图可以明显看出FFT算法的优越性。 将x(n)分解为偶数与奇数的两个序列之和，即 x1(n)和x2(n)的长度都是N／2，x1(n)是偶数序列，x2(n)是奇数序列，则 其中X1(k)和X2(k)分别为x1(n)和x2(n)的N／2点DFT。由于X1(k)和X2(k)均以N／2为周期，且WN k+N/2=-WN k，所以X(k)又可表示为： 上式的运算可以用图2表示，根据其形状称之为蝶形运算。依此类推，经过m-1次分解，最后将N点DFT分解为N／2个两点DFT。图3为8点FFT的分解流程。 FFT算法的原理是通过许多小的更加容易进行的变换去实现大规模的变换，降低了运算要求，提高了与运算速度。FFT不是DFT的近似运算，它们完全是等效的。 关于FFT精度的说明： 因为这个变换采用了浮点运算，因此需要足够的精度，以使在出现舍入误差时，结果中的每个组成部分的准确整数值仍是可辨认的。为了FFT的舍入误差，应该允许增加几倍log2(log2N)位的二进制。以256为基数、长度为N字节的数 一、 实验目的 1.了解图像变换的意义和手段； 2.掌握FFT 变换方法及应用； 3.通过实验了解二维频谱的分布特点； 4.通过本实验掌握利用MATLAB 编程实现数字图像的傅立叶变换。 二、 实验原理 1 应用傅立叶变换进行图像处理 傅里叶变换是线性系统分析的一个有力工具，它能够定量地分析诸如数字化系统、采样点、 电子放大器、卷积滤波器、噪音和显示点等的作用。通过实验培养这项技能，将有助于解决 大多数图像处理问题。对任何想在工作中有效应用数字图像处理技术的人来说，把时间用在 学习和掌握博里叶变换上是很有必要的。 2 傅立叶（Fourier ）变换的定义 对于二维信号，二维Fourier 变换定义为： 2()(,)(,)j ux uy F u v f x y e dxdy π∞∞ -+-∞-∞= ?? 逆变换： 2()(,)(,)j ux uy f x y F u v e dudv π∞∞ +-∞-∞= ?? 二维离散傅立叶变换为： 11 2()00 1(,)(,)i k N N j m n N N i k F m n f i k e N π---+===∑∑ 逆变换： 11 2()00 1(,)(,)i k N N j m n N N m n f i k F m n e N π--+===∑∑ 三、 实验步骤及结果 步骤： 1将图像内容读入内存； 2用Fourier 变换算法，对图像作二维Fourier 变换； 3将其幅度谱进行搬移，在图像中心显示； 4用Fourier 系数的幅度进行Fourier 反变换； 5用Fourier 系数的相位进行Fourier 反变换； 6比较4、5的结果，评价人眼对图像幅频特性和相频特性的敏感度。 7记录和整理实验报告。 结果： 一、傅立叶变换的由来 关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解，最近，我偶尔从网上看到一个关于数字信号处理的电子书籍，是一个叫Steven W. Smith, Ph.D.外国人写的，写得非常浅显，里面有七章由浅入深地专门讲述关于离散信号的傅立叶变换，虽然是英文文档，我还是硬着头皮看完了有关傅立叶变换的有关内容，看了有茅塞顿开的感觉，在此把我从中得到的理解拿出来跟大家分享，希望很多被傅立叶变换迷惑的朋友能够得到一点启发. 要理解傅立叶变换，确实需要一定的耐心，别一下子想着傅立叶变换是怎么变换的，当然，也需要一定的高等数学基础，最基本的是级数变换，其中傅立叶级数变换是傅立叶变换的基础公式。 二、傅立叶变换的提出 让我们先看看为什么会有傅立叶变换？傅立叶是一位法国数学家和物理学家的名字，英语原名是Jean Baptiste Joseph Fourier(1768-1830), Fourier对热传递很感兴趣，于1807 年在法国科学学会上发表了一篇论文，运用正弦曲线来描述温度分布，论文里有个在当时具有争议性的决断：任何连续周期信号可以由一组适当的正弦曲线组合而成。当时审查这个论文的人，其中有两位是历史上著名的数学家拉格朗日(Joseph Louis Lagrange, 1736-1813)和拉普拉斯(Pierre Simon de Laplace, 1749-1827)，当拉普拉斯和其它审查者投票通过并要发表这个论文时，拉格朗日坚决反对，在近50年的时间里，拉格朗日坚持认为傅立叶的方法无法表示带有棱角的信号，如在方波中出现非连续变化斜率。法国科学学会屈服于拉格朗日的威望，拒绝了傅立叶的工作，幸运的是，傅立叶还有其它事情可忙，他参加了政治运动，随拿破仑远征埃及，法国大革命后因会被推上断头台而一直在逃避。直到拉格朗日死后15年这个论文才被发表出来。 谁是对的呢？拉格朗日是对的：正弦曲线无法组合成一个带有棱角的信号。但是，我们可以用正弦曲线来非常逼近地表示它，逼近到两种表示方法不存在能量差别，基于此，傅立叶是对的。 为什么我们要用正弦曲线来代替原来的曲线呢？如我们也还可以用方波或三角波来代替呀，分解信号的方法是无穷的，但分解信号的目的是为了更加简单地处理原来的信号。用正余弦来表示原信号会更加简单，因为正余弦拥有原信号所不具有的性质：正弦曲线保真度。一个正弦曲线信号输入后，输出的仍是正弦曲线，只有幅度和相位可能发生变化，但是频率和波的形状仍是一样的。且只有正弦曲线才拥有这样的性质，正因如此我们才不用方波或三角波来表示。 三、傅立叶变换分类 第2章 信号分析 本章提要 信号分类 周期信号分析--傅里叶级数 非周期信号分析--傅里叶变换 脉冲函数及其性质 信号：反映研究对象状态和运动特征的物理量 信号分析：从信号中提取有用信息的方法和手段 §2－1 信号的分类 两大类：确定性信号，非确定性信号 确定性信号：给定条件下取值是确定的。 进一步分为：周期信号，非周期信号。 质量M 弹簧 刚度K t x (t ) o x 0 质量－弹簧系统的力学模型 x (t ) ??? ? ??+=0cos )(?t m k A t x 非确定性信号（随机信号）：给定条件下取值是不确定的 按取值情况分类：模拟信号，离散信号 数字信号：属于离散信号，幅值离散，并用二进制表示。 信号描述方法 时域描述 如简谐信号 )cos(000φω+t x 简谐信号及其三个要素 幅值 频率 相角 频域描述 以信号的频率结构来描述信号的方法:将信号看成许多谐波（简谐 信号）之和，每一个谐波称作该信号的一个频率成分，考察信号含有那些频率的谐波，以及各谐波的幅值和相角。 撰写人姓名： 撰写时间： 审查人姓名： 实 验 全 过 程 记 录 一、实验目的 1、掌握二维傅里叶变换的原理和方法； 2、掌握编程实现生成图像频谱图、中心化频谱及相互比较等方法。 二、实验内容： 编程实现图像频谱图、中心化频谱，并进行相互比较。 三、实验用仪器设备及材料 软件需求： 操作系统：Windows Xp 或更新的版本 开发工具：MATLAB 7.01、Photoshop CS3 硬件需求： Pentium Ⅲ 1G 以上的CPU 处理器、256MB 以上的内存、1.5G 以上自由硬盘空间、 CD-ROM 驱动器、打印机、打印纸等。 四、实验步骤： 1、复习二维傅里叶变换的原理和方法； 2、启动MATLAB 软件； 3、编程实现如下要求： ⑴产生右图所示亮块图像 ()1,f x y （128×128，暗处=0，明处=255）， 对其进行FFT （快速傅里叶变换）； ⑵同屏显示原图1f 和FFT(1f )的频谱图； ⑶令()()()21,1,x y f x y f x y +=-，重复以上过程，比较二者频谱的异同，并简述理由； ⑷将 ()2,f x y 顺时针旋转45得到()3,f x y ，显示FFT(3f )的频谱，并与FFT (2f )的频谱进行比 较。 4、撰写实验报告内容 ⑴简述实验过程； ⑵复制实验程序； ⑶复制实验结果（如结果数据、生成的图像等）； ⑷心得体会。 五、撰写实验报告： %实验一：二维离散傅里叶变换及相关性质实验 %构造原始图像 f1=zeros(128,128); f1(24:104,48:80)=1; subplot(3,2,1); imshow(f1); xlabel('构造原始图像'); %求原始图像的傅里叶频谱 J=fft2(f1); F=abs(J); J1=fftshift(F); subplot(3,2,2); imshow(J1,[5 50]); xlabel('原始图像的傅里叶频谱'); %构造f2的图像 f2=f1; for x=1:128 for y=1:128 f2(x,y)=(-1)^(x+y)*f1(x,y); end end subplot(3,2,3); imshow(f2); xlabel('构造f2的图像'); %求f2的傅里叶频谱 I=fft2(f2); F=abs(I); J2=fftshift(F); subplot(3,2,4); imshow(J2,[5 50]); xlabel('f2的傅里叶频谱'); %将f2顺时针旋转得到f3 f3=imrotate(f2,-45,'bilinear','crop'); subplot(3,2,5); imshow(f3); xlabel('f2图像顺时针旋转45度'); %求f3的傅里叶频谱 K=fft2(f3); F=abs(K); J3=fftshift(F); subplot(3,2,6); 少将 图像的傅立叶变换，原始图像由N行N列构成，N必须是基2的，把这个N*N个包含图像的点称为实部，另外还需要N*N个点称为虚部，因为FFT是基于复数的，如下图所示： （//实数DFT将时域内的N个点变换为频域中两组各N/2+1个点（分别对应实部和虚部）） 计算图像傅立叶变换的过程很简单：首先对每一行做一维FFT，然后对每一列做一维FFT。具体来说，先对第0行的N个点做FFT（实部有值，虚部为0），将FFT输出的实部放回原来第0行的实部，FFT输出的虚部放回第0行的虚部，这样计算完全部行之后，图像的实部和虚部包含的是中间数据，然后用相同的办法进行列方向上的FFT变换，这样N*N的图像经过FFT得到一个N*N的频谱。 下面展示了一副图像的二维FFT变换： 频域中可以包含负值，图像中灰色表示0，黑色表示负值，白色表示正值。可以看到4个角上的黑色更黑，白色更白，表示其幅度更大，其实4个角上的系数表示的是图像的低频组成部分，而中心则是图像的高频组成部分。除此以外，FFT的系数显得杂乱无章，基本看不出什么。 将上述直角坐标转换为极坐标的形式，稍微比较容易理解一点，幅度中4个角上白色的区域表示幅度较大，而相位中高频和低频基本看不出什么区别来。 上述以一种不同的方法展示了图像频谱，它将低频部分平移到了频谱的中心（//MATLAB中实现函数fftshift）。这个其实很好理解，因为经2D-FFT的信号是离散图像，其2D-FFT的输 出就是周期信号，也就是将前面一张图周期性平铺，取了一张以低频为中心的图。将原点放在中心有很多好处，比如更加直观更符合周期性的原理，但在这节中还是以未平移之前的图来解释。 行N/2和列N/2将频域分成四块。对实部和幅度来说，右上角和左下角成镜像关系，左上角和右下角也是镜像关系；对虚部和相位来说，也是类似的，只是符号要取反（//共轭？），这种对称性和1维傅立叶变换是类似的，你可以往前看看。 为简单起见，先考虑4*4的像素，右边是其灰度值，对这些灰度值进行2维fft变换。 h和k的范围在-N/2到N/2-1之间。 通常I(n,m)是实数，F(0,0)总是实数（//直流分量），并且F(h,k)具有对偶性。 如果写成复数形式，即: ------------------------------------------------------------- 图像傅立叶变换的物理意义图像的二维傅里叶变换
快速傅里叶变换FFT算法源码经典
图像傅里叶变换的物理意义
常用傅立叶变换表
快速傅里叶变换(FFT)的DSP实现
傅里叶变换公式
二维离散傅立叶变换
图像傅里叶变换详解
傅里叶变换 讲解最通俗易懂的一片
傅里叶变换及其在图像处理中的应用
快速傅里叶变换(FFT)的原理及公式
图像的傅里叶变换
快速傅里叶变换的通俗解释
傅里叶变换公式
二维离散傅里叶变换及相关性质实验
傅里叶变换
相关主题
文本预览