计算机视觉深度学习实战三：频域分析及其变换

最新推荐文章于 2025-03-03 15:59:01 发布

柏老师与人工智障

最新推荐文章于 2025-03-03 15:59:01 发布

阅读量2.9k

点赞数 1

文章标签：计算机视觉频域分析小波分析

本文链接：https://blog.youkuaiyun.com/u013699471/article/details/90045312

版权

频域分析及变换

更多精彩内容请关注微信公众号：听潮庭。
在这里插入图片描述

如何让卷积更快：空域卷积=频域卷积

在这里插入图片描述

高斯金字塔

图像金字塔化：先进行图像平滑，再进行降采样，
根据降采样率，得到一系列尺寸逐渐减小的图像。
操作：n次（高斯卷积->2倍降采样）->n层金字塔
目的：捕捉不同尺寸的物体
高斯滤波的必要性：直接降采样损失信息
高斯金字塔本质上为信号的多尺度表示法

拉普拉斯金字塔（Laplacian）

高频细节信息在卷积和下采样中丢失
保留所有层所丢失的高频信息，用于图像恢复

高斯金字塔与拉普拉斯金字塔

下采样
上采样
高斯模糊

在这里插入图片描述

频率域分析—傅里叶变换

傅里叶变换

一个信号可以由足够多个不同频率和幅值的正余弦波组成
信号分解：
傅里叶变换的数学公式：连续变换
欧拉公式
欧拉公式描述的是一个随着时间变化，在复平面上做圆周运动的点；
傅里叶变换描述的就是一系列这样的点的运动的叠加的效应
傅里叶逆变换

离散傅里叶变换

二维离散傅里叶变换：

2D离散傅里叶变换

2D傅里叶基图片（越靠外的是条纹越密集的地方）

频谱滤波

基于傅里叶变换的滤波：低通滤波

基于傅里叶变换的滤波：相位滤波

在这里插入图片描述

频段滤除

在这里插入图片描述

傅里叶变换的不足

关键问题：傅里叶变换假设前提为信号平稳，但实际中信号多数为非平稳信号。
缺乏时间和频率的定位功能
对于非平稳信号的局限性
在时间和频率分辨率上的局限性

解决方法：

短时傅里叶变换

SIFT（短时傅里叶变换）添加时域信息的方法是设置窗格，认为窗格内的信号是平稳的；
然后对窗格内的信号分段进行傅里叶变换；
优点是可以获得频域信息的同时可以获得时域信息。
缺点是窗格大小很难设置。
短时傅里叶变换的特点：
- 窄窗口时间分辨率高、频率分辨率低；
- 宽窗口时间分辨率低，频率分辨率高；
- 对于时变的非稳态信号，高频适合小窗口。低频适合打窗口
- 但是STFT的窗口是固定的

小波变换

小波变换与STFT思路接近，但小波变换直接把傅里叶变换的基给换了-----将无限长的三角函数基换成了有限长的会衰减的小波基。
这样不仅能够获取频率，还可以定位到时间；
所谓的小波函数，是一族函数，需要满足：
- 1、均值为0；
- 在时域和频域都局部化，不蔓延到整个坐标轴
满足这两条的函数就是小波（Wavelet）函数，有很多种类，最简单的是Haar小波。
小波变换要做的就是将原始信号表示为一组小波基的线性组合，然后通过忽略其中不重要的部分达到数据压缩（即降维）的目的。
常用的小波函数包括：
- Haar系列，Daubechies系列，Moret系列；
- Sym系列，Meyer系列，Coif系列。

滤波实战

1、高斯滤波与中值滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('opencv.png',0) #0 直接读为灰度图像
for i in range(2000): #添加点噪声
    temp_x = np.random.randint(0,img.shape[0])
    temp_y = np.random.randint(0,img.shape[1])
    img[temp_x][temp_y] = 255 #在temp_x,temp_y处添加白色噪声（255是白色，0是黑色）

blur_1 = cv2.GaussianBlur(img,(5,5),0)

blur_2 = cv2.medianBlur(img,5)

plt.subplot(1,3,1),plt.imshow(img,'gray')#默认彩色，另一种彩色bgr
plt.subplot(1,3,2),plt.imshow(blur_1,'gray')
plt.subplot(1,3,3),plt.imshow(blur_2,'gray')
plt.show()

2、Sobel滤波x方向 y方向

边缘探测

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('dave.png',0)
laplacian = cv.Laplacian(img,cv.CV_64F)
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)

plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

3、快速傅里叶变换

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('opencv.png',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

4、Clahe

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('timg.jpg',0) #直接读为灰度图像
res = cv2.equalizeHist(img)

clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))
cl1 = clahe.apply(img)

plt.subplot(131),plt.imshow(img,'gray')
plt.subplot(132),plt.imshow(res,'gray')
plt.subplot(133),plt.imshow(cl1,'gray')

plt.show()