傅里叶变换与图像的频域处理

关于傅里叶变换的入门请看该文：

频谱图 与傅立叶变换

泰勒公式解析：

如何通俗地解释泰勒公式？

参考：

如何理解 图像傅里叶变换的频谱图

本文转自https://zhuanlan.zhihu.com/p/54946461  原作者：Wang Hawk

            

一、傅里叶级数

傅里叶级数是否在任意情况下都成立？ 其实当初拉格朗日等人的反对是有道理的，傅里叶的数学证明确实不够完善，并不是每个单变量函数都满足其声明。事实上仅当单变量函数满足下面的“狄里赫莱条件”时傅里叶级数声明成立。当然即便是这样，当时也是一个令人震惊的成果。

• 狄里赫莱条件
• 在一个周期内信号必须绝对可积(能量有限);
• 在一个周期内函数只能有有限个极大值和极小值;
• 函数在任意有限区间内只有有限个不连续点且在不连续点上函数值有限。

傅里叶级数的基本构成是：

                                      

它说明，当累积足够多属性不同的基本构成模块后就可以构成任意的周期信号。

先看看两个一维信号的和是什么样子：

                       

方波也能表示为多个sin函数的和：

                                   

可以用傅里叶级数从空域和频域上表示方波，注意右下图就是该信号在频域上的表达, 下一节我们仔细谈谈图像的频域和空域的关系

                                   

二、图像的空域和频域

一维信号的频域表示通常只画出正半轴的情况，其中横坐标为0时表示的是频率为0，即直流信号，如下图所示：

                                         

对于二维信号，其频谱的表示如下，其中

• 高频部分代表细节、边缘和噪声
• 低频占据绝大多少能 量，其中直流分量 (零频)能量占比最 大。
• 频率分布具有中心对 称性。
• （将原图乘以，再得到频谱，中心处表示原图中低频成分，亮则表示图像中含低频成分多，类似于一维傅里叶变换中的频谱的幅值高；暗则相反，中心的亮点反映的是图像低频信息，也就是图像的平滑部分，因平滑部分所占图像的比例较高，故能量高；而图像的边缘信息，也就是高频信息，即图像突变比较多的地方相对较少，因此能量低。而能量越高，在频谱图中所表现出来的就越亮。）

                               

这样就可以来看看一些基本二维图像的频谱了：

                                

                                      

                                                  

三、傅里叶变换

任意信号，包括非周期信号都可以用傅里叶变换转到频域：

                              

进而，用欧拉公式来转换为一系列正弦和余弦的加权和：

                              

信号的傅里叶变换有很多有用的性质

                               

这样很容易画出信号的频域表达：

                            

同样，非周期性的二维图像也可以表达为频谱形式：

                                     

有趣的是，图像的相位信息非常重要。当你对比猎豹的相位融合斑马的幅度再转换到空域，以及猎豹的幅度融合斑马的相位再转换到空域时，图像分别是下面的左图和右图。

                                      

四、图像的频域滤波

两个信号的乘积的傅里叶变换，等于它们各自的傅里叶变换的成绩。而在频域中两信号的成绩的反傅里叶变换等于它们各自的反傅里叶变换相卷积。

因此，可以通过在频域进行滤波，处理特定的频谱信号，再反傅里叶变换到空域来完成图像的滤波

                                

我们可以用此原理来分析高斯滤波和box滤波的效果为什么会有较大的区别：高斯滤波结果相对更加平滑，而boxFilter似乎有更多边缘和细节效应。

                                  

我们分别来看看它们在频域上是如何滤波的. 可以看到高斯滤波的滤波核频谱很集中，是一个很典型的低通滤波器。所以其结果图像的频谱也主要集中在频谱图的中心部分。

                                

再来看看box滤波，很明显，它的滤波核的频谱相比高斯滤波核的频谱有更多的高频信息，所以其滤波后的结果也包含更多的高频信息。 这也是为什么其滤波结果不够光滑，有更多条纹状的效应。

                                  

人们已经在傅里叶光学这个领域中证明，理想的薄透镜可以实现光学傅里叶变换。镜头其实也是一个滤波器，而其物理上的滤波核就是其光圈。因此为了使得滤波结果尽量的平滑，不杂乱，光圈越圆越好。

                                   

以下还有一些频域滤波的示例：

                                  

                                  

五、奈奎斯特采样定律

让我们重新看看第五章里面提到的奈奎斯特采样定律：

如果对一个连续信号进行采样，然后想要用采样之后的信号来恢复出原有信号的完整信息，那么采样率必须大于等于Nyquist Rate，而这个Rate是此连续信号中最高频分量频率的两倍。

以下摘引Wikipedia原文：

In signal processing, the Nyquist rate, named after Harry Nyquist, is twice the bandwidth of a bandlimited function or a bandlimited channel. 

When it is relate to sampling:
It is a lower bound for the sample rate for alias-free signal sampling(not to be confused with the Nyquist frequency, which is half the sampling rate of a discrete-time system).

这也解释了为什么我们在构建图像金字塔时要先高斯模糊，再下采样了。每一次高斯模糊，都是在去除图像中的高频分量，这样图像的最大频率就会降低，于是就会满足采样频率fs > Nyquist Rate的要求，也就使得采样后的图像没有缺陷。

                                  

我在如下的Jupyter Notebook中展示了本帖中的相关操作，你可以对着它获取更深入的理解，也能够进一步掌握用Python来进行图像处理的一些技巧。

跟这一系列专题文章相关的Notebook可以从https://github.com/yourwanghao/CMUComputationalPhotography获取。