我是做Tracking 的,对于速度要求非常高。发现傅里叶变换能够使用。
于是学习之。
核心: 最根本的一点就是将时域内的信号转移到频域里面。这样时域里的卷积能够转换为频域内的乘积!
在分析图像信号的频率特性时,对于一幅图像,直流分量表示预想的平均灰度。低频分量代表了大面积背景区域和缓慢变化部分,高频部分代表了它的边缘,细节,跳跃部分以及颗粒噪声. 因此,我们能够做对应的锐化和模糊的处理:提出当中的高频分量做傅里叶逆变换得到的就是锐化的结果。
提出当中的低频分量做傅里叶逆变换得到的就是模糊的结果。
最不能理解的应该是:截取频域图中的不论什么一个区域相应的都是原来的整张图的区域。而不是相应的局部。
由于频域内的各个点都反映的是整张图的一个状态。
我们能够用时间和频率来理解:当你走完一段单位路程的时候。如果你花了100秒,那么你的频率就是0.01HZ。
这个0.01HZ显然体现的是一个总体的结果。而不是局部。
我们再由公式来看:
能够非常明显的知道频域内的每个点的值都是由整个图像求出来的。当然以上得出的结果,我们一般仅仅关注幅值频谱图。
也就是说真正起作用的就是前面的那个cos x而已. 于是我们能够知道。在整个范围内(0<k <N, 0<l <N),低频分量集中于四个角。
且其它地方的值仅仅可能比这个小。
在原点的傅里叶变换即等于图像的平均灰度级。由于
在原点处经常为零,F(0,0)有时称做 频率谱的直流成分。
使用:
当图像的尺寸是2,3,5的整数倍时,计算速度最快。因此opencv里面有一个函数:
它能够使得图片的尺寸能够满足这个要求。
可是这样就须要对原来的图像进行大小的处理,因此使用函数:CopyMakeBorder复制图像而且制作边界。
(处理边界卷积)
将原始的图像I 扩充为理想的大小放在padded里面。
接下来我们须要给计算出来的结果分配空间:
然后便能够进行傅里叶变换了:
得到的结果有两部分。实数部分和虚数部分,你能够分别对这两部分进行操作:
当然还能够进行:归一化:
另外重要的一个应用是: convolveDFT。
当中的 *代表的是 卷积。我认为这也是我们进行离散傅里叶变换的目的。
使得计算的速度大大的添加。
先来说一下卷积在图像中的意义:
如果图像f(x),模板是g(x),然后将模版g(x)在模版中移动,每到一个位置,就把f(x)与g(x)的定义域相交的元素进行乘积而且求和,得出新的图像一点,就是被卷积后的图像. 模版又称为卷积核.卷积核做一个矩阵的形状.(当然边缘点可能须要特殊的处理,同一时候这个操作和滤波也非常像,或许就是一回事)。
当中:
当A,B尺寸相等的时候,这个时候的高斯滤波得到的也就是中心点的那一个值(卷积核滤波的区别在于须要绕中心180度旋转)。
MulSpectrums 是对于两张频谱图中每个元素的乘法。void cvMulSpectrums( const CvArr* src1, const CvArr* src2, CvArr* dst, int flags ); src1 第一输入数组 src2 第二输入数组 dst 输出数组,和输入数组有同样的类型和大小。 flags 以下列举的值的组合: CV_DXT_ROWS - 把数组的每一行视为一个单独的频谱 (參见 cvDFT 的參数讨论). CV_DXT_MUL_CONJ - 在做乘法之前取第二个输入数组的共轭.第四个參数flag值没有指定,应指定为DFT_COMPLEX_OUTPUT或是DFT_REAL_OUTPUT.
參考资料:
http://blog.sina.com.cn/s/blog_4bdb170b01019atv.html
http://www.cnblogs.com/xianglan/archive/2010/12/30/1922386.html
http://www.cnblogs.com/tornadomeet/archive/2012/07/26/2610414.html
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Opencv 实现图像的离散傅里叶变换(DFT)、卷积运算(相关滤波) - Python技术站