本文通过一系列图像处理实验，探讨了傅里叶变换在图像分析中的应用。通过对全黑、全白、灰度、几何形状以及渐变图像进行傅里叶变换，观察到频谱图的特征与图像内容的关系。例如，图像的平均灰度对应频谱图中心的值，高频分量与图像的边缘和细节相关，低频分量则反映图像的整体结构。此外，反相图像的频谱图样式保持不变，但值会变化。通过观察不同处理（如高斯模糊、平均灰度）后的图像频谱，进一步揭示了图像特征与频谱之间的联系。
一、先放一些相关的结论：
1、傅里叶变换的幅值称为傅里叶谱或频谱。
2、F(u)的零值位置与“盒状”函数的宽度W成反比。
3、卷积定理：空间域两个函数的卷积的傅里叶变换等于两个函数的傅里叶变换在频率域中的乘积。f(t)*h(t) <=> H(u)F(u)
4、采样定理：如果以超过函数最高频率的两倍的取样率来获得样本，连续的带限函数可以完全地从它的样本集来恢复。
5、严重的混淆甚至会产生完全的误解效果。
6、变化最慢的频率分量(u=v=0)与图像的平均灰度成正比。直流项决定图像的平均灰度。
7、零平均表示存在负灰度，此时图像不是原图像的真实描述，因为所有负灰度为显示目的的都被修剪过。
8、对高通滤波器加一个小常数不会影响尖锐性，但是它的确能防止直流项的消除，并保留色调。
9、在频谱图中,中心部分（uv坐标系中点(0,0)附近）表示原图像中的低频部分。
10、如果原始图像具有十分明显的规律,例如将一个简单图样有规律的平移并填满整个图形,那么其频谱一般表现为坐标原点周围的一圈亮点。
11、将一张灰度图像反相，其频谱的“样式”不变。（个人理解：反相只是将黑白颠倒，但并不改变灰度变化处的对比度）
12、如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小）；反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的、边界分明且边界两边像素差异较大的。
13、高频分量解释信号的突变部分，而低频分量决定信号的整体形象。
所用的傅里叶变换的分析工具是Halcon，代码如下：
read_image (Image, ‘C:/Users/xiahui/Desktop/1.jpg’)
fft_image (Image, ImageFFT)
二、不同图像的频谱图分析
左边是原图，右边是经傅里叶变换之后的频谱图。
1、全黑图——频谱图也全黑（图像的分辨率是240*240）
2、灰色图——频谱图中央有个单像素的白色的小正方形，坐标是（120,120），值是（30480,0）
3、全白图——频谱图中央有个单像素的白色的小正方形，坐标是（120,120），值是（61200,0）
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
