图像空间域和频域的分析


1.频域表示是灰度变化的快慢


2.频率矩形的大小和输入图像的大小相同。


3.在频率域中的一点(x,y)的值P(x,y),他并不决定于空间域中K(x,y)的值,而是跟整个图像空间域中的所有的点都有关系,因此,在频率域中的一点(x,y)的值,例如说P(15,15)和空间域上的这一点K(15,15)并没有什么关系,而是决定于整幅图像。


4.因为周期性的缘故,所以在傅里叶变换过后的频率图里,四角的是低频分量。因为为了方便图像处理,低频的四角会被拼在中间


5.频率图中的亮暗说明了对应频率的多少


6.如果从右图可以看出来是边上的四个点比较亮,这说明原图中低频分量比较多,也就是说原图中的变化比较少,边缘细节少。


7.频域中一条光线,代表了改方向上的变化。


1.傅里叶变换具有对称性,所以频谱图像一般是以图像中心为原点左上右下对称,右上左下对称

2.频谱一般是四个角,但是为了图像处理方便,放在了中心

3.频率图像中心一般是低频成分,从中心往外,频率逐渐增加。每一点亮度值越高表示这个频率特征很突出,亮点越多越亮表示该频率成分越多,一般都是把图像中心设置成低频。

4.亮带越长,表示涵盖的频谱越丰富,即灰度变化的范围大

示例图片1:

图像空间域和频域的分析_傅里叶变换

图像空间域和频域的分析_频域_02


示例图片2:

图像空间域和频域的分析_pytorch_03

图像空间域和频域的分析_深度学习_04


示例图片3:

图像空间域和频域的分析_halcon_05

图像空间域和频域的分析_halcon_06

去除高频,就是模糊,图像变得接近背景


去除低频,就是去除背景,增强边缘细节


补充:halcon常用算子

* 快速傅里叶变换
fft_generic (ImagePart, ImageFFT, 'to_freq', -1, 'sqrt', 'dc_center', 'complex')
* 快速反傅里叶变换
fft_generic (ImageFFT, ImageFFT1, 'from_freq', 1, 'sqrt', 'dc_center', 'complex')