离散傅里叶变换

于 2017-06-16 16:05:20 发布
阅读量1.6k 收藏 2
点赞数
分类专栏： 知识库

目标：

         我们将寻找下面这些问题的答案：

         什么是傅里叶变换以及为什么我们使用它；

         在OpenCV中怎么做傅里叶变换；

         copyMakeBorder(),merge(),dft(),getOptimalDFTSize(),log()以及normalize()等函数的使用；

源代码：

[cpp]  view plain  copy
  1. ///////////////////////////////////////////////////////////  
  2. //      Translator:York.            ///  
  3. //      Email:y_zhou1991@163.com    <span style="white-space:pre">    </span>///  
  4. //      Date:2016/03/05             ///  
  5. ///////////////////////////////////////////////////////////  
  6.   
  7. #include<cv.h>  
  8. #include<highgui.h>  
  9. #include<imgproc\imgproc_c.h>  
  10. #include <iostream>  
  11.   
  12.   
  13. using namespace cv;  
  14. using namespace std;  
  15.   
  16. static void help(char* progName)  
  17. {  
  18.     cout << endl  
  19.         << "This program demonstrated the use of the discrete Fourier transform (DFT). " << endl  
  20.         << "The dft of an image is taken and it's power spectrum is displayed." << endl  
  21.         << "Usage:" << endl  
  22.         << progName << " [image_name -- default lena.jpg] " << endl << endl;  
  23. }  
  24.   
  25. int main(int argc, char ** argv)  
  26. {  
  27.     help(argv[0]);  
  28.   
  29.     const char * filename = "F:/Photo/OpenCV_Photo/lena.jpg";  
  30.     Mat I = imread(filename, CV_LOAD_IMAGE_GRAYSCALE);  
  31.     if (I.empty())  
  32.         return -1;  
  33.     //OpenCV中的DFT采用的是快速算法，这种算法要求图像的尺寸是2、3或5的倍数时处理速度最快  
  34.     //所以需要用getOptimalDFTSize()找到最适合的尺寸，然后用copyMakeBorder()填充多余的部分  
  35.     //这里是让原图像和扩大的图像的左上角对齐。填充的颜色如果是纯白色对变换结果的影响不会很大  
  36.     //后面寻找倾斜线的过程又会完全忽略这一点的影响  
  37.     Mat padded;                            //expand input image to optimal size  
  38.     int m = getOptimalDFTSize(I.rows);  
  39.     int n = getOptimalDFTSize(I.cols); // on the border add zero values  
  40.     copyMakeBorder(I, padded, 0, m - I.rows, 0, n - I.cols, BORDER_CONSTANT, Scalar::all(0));  
  41.     //DFT要分别计算实部和虚部，把要处理的图像作为输入的实部、一个全零的图像作为输入的虚部。  
  42.     //dft()输入和输出应该分别为单张图像，所以要先用merge()把实部和虚部图像合并，分别处于图像  
  43.     //comlexI的两个通道内。计算得到的实部和虚部仍然保存在comlexI的两个通道内  
  44.     Mat planes[] = { Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F) };  
  45.     Mat complexI;  
  46.     merge(planes, 2, complexI);         // Add to the expanded another plane with zeros  
  47.   
  48.     dft(complexI, complexI);            // this way the result may fit in the source matrix  
  49.     //一般都会用幅度图像来表示图像傅里叶的变换结果（傅里叶谱）。  
  50.     //由于幅度的变化范围很大，而一般图像亮度范围只有[0,255]，容易造成一大片漆黑，只有  
  51.     //几个点很亮。所以要用log函数把数值的范围缩小  
  52.     // compute the magnitude and switch to logarithmic scale  
  53.     // => log(1 + sqrt(Re(DFT(I))^2 + Im(DFT(I))^2))  
  54.     split(complexI, planes);                   // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))  
  55.     magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude;  
  56.                                                 //magnitude(x,y,dst）,dst=sqrt(x(I)^2+y(I)^2);）  
  57.     Mat magI = planes[0];  
  58.   
  59.     magI += Scalar::all(1);          // switch to logarithmic scale，这里是保证magI的所有像素值  
  60.                                     //大于0，不等于0，为下面log()函数的应用做准备                                       
  61.     log(magI, magI);                //log(I,dst)，如果Iij!=0;则dstij=log(|Iij|)  
  62.   
  63.   
  64.     //dft()直接获得的结果中，低频部分位于四角，高频部分位于中间。习惯上会把图像做四等分  
  65.     //互相对调，使低频部分位于图像中心，也就是让频域原点位于中心  
  66.     //虽然用log()缩小了数据范围，但仍然不能保证数值都落在[0,255]之内，所以要先用normalize()  
  67.     //规范化到[0,1]内，再用convertTo()把小数映射到[0,255]内的整数，结果保存在一幅单通道图像内  
  68.   
  69.   
  70.     // crop the spectrum, if it has an odd number of rows or columns  
  71.     //magI的宽度和高度应该是偶数，这样他们才能被2整除  
  72.     //-2在二进制中的表示是11111110，&操作符保证宽度和高度一直都是偶数  
  73.     //magI.cols&-2就是按位与，大概意思就是取不大于magI.cols的最大偶数，这样就可以  
  74.     //保证宽度和高度一直都是偶数  
  75.     //主要目的是保证裁切的时候方便，能均切成4块
  76.     magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2));  
  77.   
  78.     // rearrange the quadrants of Fourier image  so that the origin is at the image center  
  79.     int cx = magI.cols / 2;  
  80.     int cy = magI.rows / 2;  
  81.     //将图像分成四个象限  
  82.     Mat q0(magI, Rect(0, 0, cx, cy));   // Top-Left - Create a ROI per quadrant  
  83.     Mat q1(magI, Rect(cx, 0, cx, cy));  // Top-Right  
  84.     Mat q2(magI, Rect(0, cy, cx, cy));  // Bottom-Left  
  85.     Mat q3(magI, Rect(cx, cy, cx, cy)); // Bottom-Right  
  86.     //交换四个象限  
  87.     Mat tmp;                           // swap quadrants (Top-Left with Bottom-Right)  
  88.     q0.copyTo(tmp);  
  89.     q3.copyTo(q0);  
  90.     tmp.copyTo(q3);  
  91.   
  92.     q1.copyTo(tmp);                    // swap quadrant (Top-Right with Bottom-Left)  
  93.     q2.copyTo(q1);  
  94.     tmp.copyTo(q2);  
  95.   
  96.     normalize(magI, magI, 0, 1, CV_MINMAX); // Transform the matrix with float values into a  
  97.     // viewable image form (float between values 0 and 1).  
  98.     /*******************************************************************************************/  
  99.       
  100.     imshow("Input Image", I);    // Show the result  
  101.     imshow("spectrum magnitude", magI);  
  102.     waitKey();  
  103.       
  104.     return 0;  
  105. }  

解释：

傅里叶变换将把一幅图像分解成它的正弦和余弦部分。换句话说，它将把一幅图像从其空间域转换到其频域。这个思想就是任何函数都可以由无数个正弦和余弦函数来近似。傅里叶变换就是一种做这样的工作的方法。从数学上来讲，一个二维图像的傅里叶变换是：

在这里f是图像在其空间域的值，F是其的频域值。转换的结果是复数。我们可以通过一幅实数的图像以及一幅复数的图像或者通过幅度图以及相图来显示它。然而，纵观图像处理算法，只有幅度图是比较适合的，因为它包含了我们对一幅图像几何形状的所有信息。因此，如果你像要以这些方式对一幅图像做一些修改，你就需要将其再变回到原型，并且你需要把他们都保存起来。

         在这个例子中主要展现如何去计算以及显示一个傅里叶变换的幅度图像（傅里叶谱）。从数字的角度看图像是离散的。这就意味着他们可以从一个给定的阈值中获得一个值。例如，在基本的灰度图像中，值通常都在0到255之间。因此傅里叶变换也需要是离散值，这就是离散傅里叶变换（DFT）。在任何时候当你需要从一个几何的角度去确定一幅图像的结构的时候，你将想要使用这种傅里叶变换。下面是你要遵循的步骤（以输入图像是灰度图像为例）：

1、  将图像延伸到最优的尺寸。DFT的性能取决于图像的尺寸。当图像的尺寸是数字2，3或5的倍数时，DFT趋近于最快。因此，为了达到这种最优的性能，通过填充图像的边界值来得到这种特征的尺寸通常是一种很好的方法。函数getOptimalDFTSize()返回这种最优的尺寸，并且我们能够使用函数copyMakeBorder()去扩展图像的边界：

[cpp]  view plain  copy
  1. Mat padded;                            //expand input image to optimal size  
  2. int m = getOptimalDFTSize( I.rows );  
  3. int n = getOptimalDFTSize( I.cols ); // on the border add zero pixels  
  4. copyMakeBorder(I, padded, 0, m - I.rows, 0, n - I.cols, BORDER_CONSTANT, Scalar::all(0));  

附加的像素值都被初始化为0.

2、  为复数和实数创造空间。傅里叶变换的结果是复数。这就意味着，对于每一个图像值，其结果是两幅图像的值（每一个组成部分是一幅图像）。甚至，频域范围比其空间域更大。因此，我们通常至少使用float形式来储存这些值。因此，我们将我们的输入图像转换成这种类型，并且以另外一种通道来扩展它来保存复数值：

[cpp]  view plain  copy
  1. Mat planes[] = {Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F)};  
  2. Mat complexI;  
  3. merge(planes, 2, complexI);         // Add to the expanded another plane with zeros  

3、  做离散傅里叶变换。使用in-place计算（输入和输出一样）：

[cpp]  view plain  copy
  1. dft(complexI, complexI);            // this way the result may fit in the source matrix  

4、  将实数和复数值转换为量值。一个复数值有实数部分（Re）和复数部分(Im)。DFT的结果是复数值。

转换为opencv代码就是：

[cpp]  view plain  copy
  1. split(complexI, planes);                   // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))  
  2. magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude  
  3. Mat magI = planes[0];  

5、  转换成对数的形式。结果表明傅里叶系数的动态范围对于在显示器上显示来说是非常大的。我们有一些小的以及一些高的值是我们观察不到的。因此高的值都将转变为白点，而小的值都想是黑点。去使用这种灰度值来进行可视化我们可以将我们的线性量转换为对数形式：

转换为OpenCV代码：

[cpp]  view plain  copy
  1. magI += Scalar::all(1);                    // switch to logarithmic scale  
  2. log(magI, magI);  

6、  截断以及重新调整。还记得我们在第一步中将我们的图像扩展了吗？是的，是时候把这些新产生的值给丢弃了。为了可视化的目的，我们也可以重新调整结果的象限，这样的话原点就对应着图像的中心。

[cpp]  view plain  copy
  1. magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2));  
  2. int cx = magI.cols/2;  
  3. int cy = magI.rows/2;  
  4.   
  5. Mat q0(magI, Rect(0, 0, cx, cy));   // Top-Left - Create a ROI per quadrant  
  6. Mat q1(magI, Rect(cx, 0, cx, cy));  // Top-Right  
  7. Mat q2(magI, Rect(0, cy, cx, cy));  // Bottom-Left  
  8. Mat q3(magI, Rect(cx, cy, cx, cy)); // Bottom-Right  
  9.   
  10. Mat tmp;                           // swap quadrants (Top-Left with Bottom-Right)  
  11. q0.copyTo(tmp);  
  12. q3.copyTo(q0);  
  13. tmp.copyTo(q3);  
  14.   
  15. q1.copyTo(tmp);                    // swap quadrant (Top-Right with Bottom-Left)  
  16. q2.copyTo(q1);  
  17. tmp.copyTo(q2);  

7、  规范化。这样做还是为了可视化的目的。我们现在有了量值，然而这样还是在我们的0到的现实范围之外。我们可以使用normalize()函数来将我们的值归一化到这个范围之内。

[cpp]  view plain  copy
  1. normalize(magI, magI, 0, 1, CV_MINMAX); // Transform the matrix with float values into a  
  2.                                         // viewable image form (float between values 0 and 1).  
最终的效果图：

离散傅里叶变换（DFT）
weixin_33894992的博客
01-04 2735
目录      一、研究的意义     二、DFT的定义     三、DFT与傅里叶变换和Z变换的关系     四、DFT的周期性     五、matlab实验         五.1 程序               五.2 实验结果 一、研究的意义     DTFT计算公式，中的w取值是连续的而且从负无穷大到正无穷大，对于计算机处理是不可能的，需要无限细分无限区间。即使在DT...
傅里叶变换（FT）、离散傅里叶变换（DFT）和快速傅里叶变换（FFT）
最新发布
wanghao312的博客
06-17 2241
理论基础 vs 数字化实现 vs 高效计算：傅里叶变换 (FT)是最核心的理论基础，它建立了连续时间信号时域与连续频域之间的变换关系。离散傅里叶变换 (DFT)是为了适应计算机处理的现实需求（信号离散化、有限长数据）而诞生的 FT 的离散化、有限化的数字版本。它是理论（FT）通向实践（数字信号处理）的关键桥梁。快速傅里叶变换 (FFT)是加速 DFT 计算的一种高效算法族。它本身并不是一种新的变换形式，但它使得 DFT 的大规模、实时计算变得可行。
二维离散傅里叶变换矩阵表示1
08-08
二维离散傅里叶变换（2D Discrete Fourier Transform，简称2D DFT）是数字信号处理中的一个重要概念，主要用于分析图像或矩阵数据的频域特性。它将图像或矩阵的时域（空间域）表示转换为频域表示，揭示了数据在不同...
数字信号处理实验报告-(2)-离散傅里叶变换（DFT）.doc
01-02
离散傅里叶变换（DFT）是数字信号处理领域中的一个重要工具，它用于分析离散时间信号的频域特性。本实验报告旨在通过实践加深对DFT的理解，并与相关变换进行对比，如离散傅里叶级数（DFS）、快速傅立叶变换（FFT）...
利用matlab证明离散傅里叶变换性质
04-30
离散傅里叶变换（Discrete Fourier Transform, DFT）是数字信号处理中的核心概念，广泛应用于图像处理、音频分析、通信系统等多个领域。MATLAB作为一个强大的数值计算环境，提供了便利的工具来实现和验证DFT的各种...
N点离散傅里叶变换同时计算两个N点实序列的离散傅里叶变换
09-26
### N点离散傅里叶变换同时计算两个N点实序列的离散傅里叶变换 #### 知识点概述 在数字信号处理领域中，离散傅里叶变换（Discrete Fourier Transform, DFT）是一种重要的数学工具，用于将时间域的信号转换到频域。...
数字信号处理第3章离散傅里叶变换(DFT).ppt
09-17
本章主要介绍了数字信号处理中的离散傅里叶变换（DFT），其中包括引言、几种傅里叶变换的形式、离散傅里叶级数（DFS）、离散傅里叶变换（DFT）等重要概念。 引言 数字信号处理是对时域信号进行处理和分析，以提取...
离散 傅里叶变换
03-15
基于OpenCV函数利用离散傅里叶变换求图像的幅值和相位。可以运动，菜鸟可以学习学习。 opencv 2.4.x系列，VS2010
离散傅里叶变换(DFT)
05-29
离散傅里叶变换(DFT)
深入解析离散傅里叶变换及其程序应用
离散傅里叶变换（Discrete Fourier Transform，简称DFT）是信号处理领域中一个非常重要的数学工具，它在数字信号处理、图像处理、音频处理、通信系统等领域都有广泛的应用。DFT能够将时域信号转换到频域上进行分析，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值