Przekształcenie Fouriera obrazów

background image

1

Przekształcenie Fouriera obrazów

FFT

2006 © P. Strumiłło, M. Strzelecki

background image

2

( )

( )

+

=

ω

ω

ω

d

e

F

t

f

t

j

transformata Fouriera

Przekształcenie Fouriera

Fourier wymyślił sposób rozkładu szerokiej klasy funkcji
(sygnałów) okresowych na składowe harmoniczne; taką
reprezentację sygnału można uzyskać z odpowiednio
ważonej sumy funkcji harmonicznych o różnych
częstotliwościach

Joseph Fourier

(1768-1830)

( )

( )

=

dt

e

t

f

F

t

j

ω

ω

odwrotna

prosta

background image

3

Przekształcenie Fouriera - przykład

czas

częstotliwość

( )

(

)

(

)

(

)

(

)

0

0

0

2

1

ω

ω

δ

ω

ω

δ

ω

ω

ω

+

+

=

=

+∞

dt

e

t

cos

X

t

j

1/2

0

ω

0

ω

t

0

2

ω

π

=

T

ω

X

(

ω

)

background image

4

Przekształcenie Fouriera - przykład

( )

>

<

=

T

t

,

T

t

,

t

f

0

1

T

( )

2

0

2

2

T

j

T

t

j

e

T

sin

A

dt

e

A

F

ω

ω

ω

ω

ω

=

=

- 2

π/T

2

π/T

FT

A

AT

t

|F(

ω

)|=?

ω

background image

5

Przekształcenie Fouriera - przykład

( )

(

)

(

)

+∞

+∞

=

0

ω

ω

δ

ω

δ

δ

k

kT

t

t

s

T

ω

t

-2T

0

2T

T

-T

1

-4π/T

0

4π/

T

2π/

T

-

2π/

T

2π/T

x(t)

x(

ω

)

FT

T

s

π

ω

2

=

Szereg impulsów Diraca

background image

6

Transformacja Fouriera obrazów

obraz monochromatyczny

widmo Fouriera obrazu

background image

7

W jakim celu stosuje się

transformacje obrazów?

1.

Uzyskanie bardziej zwartego (oszczędnego) sposobu
kodowania obrazów (ich

kompresji,

np. standard kompresji obrazów

JPEG)

2.

Uwidocznienie cech obrazu niezauważalnych w dziedzinie
przestrzennej, np. zakłóceń okresowych

3.

Projektowanie filtrów obrazów w dziedzinie częstotliwości
oraz realizacja

szybkich metod filtracji obrazów

background image

8

Transformacja Fouriera obrazu

1.

Detekcja cech obrazu w dziedzinie widma, np.

zakłóceń okresowych

background image

9

Transformacja Fouriera obrazu

(

)

(

)

(

)

(

)

∫ ∫

∫ ∫

+

+

+

=

=

dudv

e

v

,

u

F

y

,

x

f

dxdy

e

y

,

x

f

v

,

u

F

)

vy

ux

(

j

)

vy

ux

(

j

π

π

2

2

odwrotna

prosta

background image

10

Widmo amplitudowe i fazowe

transformaty obrazu

(

)

(

)

(

)

[

]

(

)

(

)

[

]

(

)

[

]

(

)

[

]

(

)

[

]

(

)

[

]

v

,

u

F

Re

v

,

u

F

Im

arctan

v

,

u

F

arg

v

,

u

F

Im

v

,

u

F

Re

|

v

,

u

F

|

e

|

v

,

u

F

|

v

,

u

F

v

,

u

F

arg

j

=

+

=

=

2

2

background image

11

Dyskretna transformacja Fouriera obrazu

(

)

(

)

(

)

(

)

1

1

0

1

1

1

0

1

1

0

1

0

2

2

1

0

1

0

=

=

=

=

∑∑

∑∑

=

=

+

+

+

=

=

N

,...,

,

y

,

x

dla

e

v

,

u

F

N

y

,

x

f

N

,...,

,

v

,

u

dla

e

y

,

x

f

N

v

,

u

F

N

u

N

v

N

/

)

vy

ux

(

j

N

/

)

vy

ux

(

j

N

x

N

y

π

π

Liczba działań, np. dla
obrazu 512x512?

background image

12

Przykład obliczeniowy

dla funkcji jenowymiarowej

( )

]

4

4

3

1

[

=

x

f

( )

( )

=

=

=

3

1

0

2

1

N

x

N

/

ux

j

e

x

f

N

u

F

π

( )

( )

( )

( )

( )

( )

[

]

[

]

( )

(

)

( )

( )

( )

(

)

j

......

..........

..........

..........

..........

..........

..........

..........

F

......

..........

..........

..........

..........

..........

..........

..........

F

j

......

..........

..........

..........

..........

..........

..........

..........

F

f

f

f

f

e

x

f

N

F

N

x

N

/

x

j

+

=

=

=

=

+

=

=

=

+

+

+

=

=

+

+

+

=

=

=

=

3

4

1

3

2

4

1

2

3

4

1

1

3

4

4

3

1

4

1

3

2

1

0

4

1

1

0

3

1

0

0

2

π

θ

θ

θ

sin

cos

j

e

j

+

=

background image

13

50

100

150

200

250

50

100

150

200

250

10

20

30

40

50

60

Przykład widma
amplitudowego obrazu

 MIT

background image

14

FFT

FFT

Przykłady widm obrazów

background image

15

Detekcja zakłóceń harmonicznych

 MIT

64 okresy sinusoidy

64 okresy sinusoidy

256

256

128

128

64

64

256 punktów

256 punktów

64

64

background image

16

Widmo fazowe obrazu

 MIT

(

)

[

]

v

,

u

F

arg

(

)

v

,

u

F

(

)

{

}

v

,

u

F

1

background image

17

f(x,y)

(64x64)

|F(u,v)|

log(1+|F(u,v)|)

background image

18

Podstawowe własności
przekształcenia Fouriera

Rozłączność transformacji dwuwymiarowej:

f(x,y)

(0,0)

(N-1)

(N-1)

F(x,v)

(0,0)

(N-1)

(N-1)

F(u,v)

(0,0)

(N-1)

(N-1)

tr. wierszy

tr. kolumn

Dwuwymiarową transformację Fouriera można wyznaczyć
obliczając transformacje jednowymiarowe, tj. przez wykonanie
transformacji wierszy a następnie kolumn obrazu.

background image

19

Rozłączność dwuwymiarowego

przekształcenia Fouriera

(

)

=

=

=

=

=

1

0

/

2

/

2

1

0

1

0

/

2

,

1

)

,

(

)

,

(

1

)

,

(

N

x

N

ux

j

N

vy

j

N

x

N

y

N

ux

j

e

v

x

F

N

v

u

F

e

y

x

f

e

N

v

u

F

π

π

π

F(x,v)

N

vy

ux

j

N

x

N

y

e

y

x

f

N

v

u

F

/

)

(

2

1

0

1

0

)

,

(

1

)

,

(

+

=

=

∑ ∑

=

π

background image

20

FT

Obrazy

Widma

amplitudowe

Przykład

background image

21

FT

Obrazy

Widma

amplitudowe

(

)

(

)

(

)





+

N

vy

ux

j

exp

v

,

u

F

y

y

,

x

x

f

0

0

0

0

2

π

Przesunięcie w dziedzinie przestrzennej

background image

22

Transformata iloczynu i splotu

{f(x,y) g(x,y)} = F(u,v)

G(u,v)

{f(x,y)

g(x,y)} = F(u,v) G(u,v

)

Druga własność jest szczególnie przydatna w
filtracji obrazów, jest ona również wykorzystywana
w projektowaniu filtrów obrazu w dziedzinie widma.

background image

23

α

2

1

f(

α

)

α

1

1/2

g(

α

)

-1

α

1/2

g(-

α

)

x

3

1/2

f(x)

*g(x)

0

Splot funkcji ciągłych

- przykład

α

2

1/2

f(

α

)g(x-

α

)

x

1

α

2

1/2

f(

α

)g(x-

α

)

x

1

α

1/2

g(x-

α

)

x

-1

( ) (

)

α

α

α

d

x

g

f

x

g

x

f

=

)

(

)

(

background image

24

Splot dwuwymiarowych

funkcji dyskretnych

f(i,j), g(i,j) - funkcje dyskretne o okresie N

należy wydłużyć okres f(i,j) oraz g(i,j) do wartości
M=2N-1 w następujący sposób:

=

=

1

0

1

0

1

0

1

0

M

j

,

i

N

N

j

,

i

)

j

,

i

(

g

)

j

,

i

(

g

M

j

,

i

N

N

j

,

i

)

j

,

i

(

f

)

j

,

i

(

f

e

e

∑ ∑

=

=

=

1

0

1

0

M

m

e

e

M

n

e

e

)

n

j

,

m

i

(

g

)

n

,

m

(

f

)

j

,

i

(

g

)

j

,

i

(

f

background image

25

Korelacja funkcji ciągłych

- przykład

α

1

1/2

g(

α

)

α

1/2

f(

α

)g(x+

α

)

|x|

x

1.5

1/2

f(x)◦g(x)

-1.5

α

1

1/2

g(x+

α

)

|x|

α

2

1/2

f(

α

)g(x+

α

)

( ) (

)

α

α

α

d

x

g

f

x

g

x

f

+

=

)

(

)

(

o

α

2

1

f(

α

)

2

|x|

background image

26

Korelacja dwuwymiarowych

funkcji dyskretnych

f(i,j), g(i,j) - funkcje dyskretne o okresie N

(dokonuje się tu analogicznego wydłużenia okresu
jak dla operacji splotu)

∑ ∑

=

=

+

+

=

1

0

1

0

M

m

e

e

M

n

e

e

)

n

j

,

m

i

(

g

)

n

,

m

(

f

)

j

,

i

(

g

)

j

,

i

(

f

o

background image

27

Okresowość transformaty oraz
symetria widma amplitudowego

F(u,v

)

=F(u+N,v

)

=F(u,v+N)=F(u+N,v+N)

Jeżeli f(x,y) jest funkcją rzeczywistą, to zachodzi:

oraz dla widma amplitudowego:

Dla transformaty F(u,v) o wymiarze NxN są prawdziwe
tożsamości:

(

)

(

)

v

,

u

F

v

,

u

F

=

(

)

(

)

v

,

u

F

v

,

u

F

=

background image

28

f(x,y)

f(x,y)

f(x,y)

f(x,y)

f(x,y)

f(x,y)

f(x,y)

f(x,y)

f(x,y)

Przyjmuje się, że
obraz jest funkcją
okresową o
okresie (N, N)

Okresowość transformaty Fouriera

background image

29

Przesunięcie dziedzinie widma

(

)

(

)

(

)

0

0

0

0

2

v

v

,

u

u

F

N

y

v

x

u

j

exp

y

,

x

f





+

π

Własność ta jest nazywana również własnością
(lub twierdzeniem) o modulacji.

background image

30

Przesuniecie w dziedzinie widma

N/2

N/2

N

0

0

N

jeden okres widma

Matlab: fftshift

|F(u)|

fftshift(|F(u)|)

background image

31

Przesunięcie w dziedzinie widma

(

)

(

)

(

)

(

)

(

)

(

)

(

)

[

]

(

)( )

y

x

y

,

x

f

y

x

j

exp

y

,

x

f

N

y

v

x

u

j

exp

y

,

x

f

N

v

,

N

u

F

N

v

u

dla

v

v

,

u

u

F

N

y

v

x

u

j

exp

y

,

x

f

+

=

+

=

=





+

=

=





+

1

2

2

2

2

2

0

0

0

0

0

0

0

0

π

π

π

background image

32

Przesunięcie w dziedzinie widma

|F(u,v)|

fftshift(|F(u,v)|)

N

(0,N-1)

(0,0)

(N-1, N-1)

(N-1,0)

(0,0)

background image

33

θ

θ

θ

θ

0

= 45°

θ

θ

θ

θ

0

= 0°

Własność obrotu

transformaty dwuwymiarowej

f(r,

θ

+

θ

0

) ⇔ F(

ω

,

φ

+

θ

0

)

background image

34

Liniowość transformacji

{a f(x,y) + b g(x,y)} = a F(u,v) + b G(u,v)

f(x,y)

g(x,y)

FT

g(x,y)

FT

f(x,y)

FT

background image

35

Twierdzenie o zmianie skali

{f(ax,by)} = |ab|

-1

F(u/a, v/b)

R

b

,

a

background image

36

Wartość średnia obrazu

(

)

(

)

( )

(

)

(

)

( )

0

0

1

1

0

0

1

1

0

1

0

1

0

1

0

2

,

F

N

y

,

x

f

y

,

x

f

N

,

F

y

,

x

f

N

y

,

x

f

N

x

N

y

N

x

N

y

=

=

=

∑∑

∑∑

=

=

=

=

F(0,0)

F(0,0)

background image

37

Rozdzielczość transformacji Fouriera

f=zeros(30,30);
f(5:24,13:17)=1;

imshow(f,'notruesize')
F=fft2(f);

%oblicz transformatę Fouriera

F1=log(abs(F)+1);

%wyznacz widmo amplitudowe

imshow(F1,[0 5],'notruesize');

f

|F1|

background image

38

Dyskretna
Transformacja
Fouriera

1

30

1

15

Funkcje bazowe
30-punktowej
transformacji
Fouriera
(składowa
sinusoidalna)

background image

39

Rozdzielczość transformacji Fouriera

%zwiększenie rozdzielczości

f=zeros(30,30);

f(5:24,13:17)=1;

F=fft2(f,256,256);

F2=log(abs(F)+1);

imshow(fftshift(F2),[0 5],'notruesize');

f

|F2|

background image

40

Szybka transformacja Fouriera

(ang. Fast Fourier Transform, FFT)

Jeżeli N=2

n

to N jest liczbą parzystą daną w postaci N=2*M.

Można dla takich N wykazać, że:

M

j

M

u

M

e

nieparzyst

parzyste

u

M

e

nieparzyst

parzyste

M

x

ux

M

e

nieparzyst

M

x

ux

M

parzyste

e

W

M

u

W

u

F

u

F

M

u

F

M

u

W

u

F

u

F

u

F

W

x

f

M

u

F

W

x

f

M

u

F

/

2

2

2

1

0

1

0

1

,...,

0

],

)

(

)

(

[

2

1

)

(

1

,...,

0

],

)

(

)

(

[

2

1

)

(

)

1

2

(

1

)

(

,

)

2

(

1

)

(

π

=

=

=

=

=

+

=

+

=

+

=

=

background image

41

Nakład obliczeń

transformaty Fouriera

N

N

2

(FT) NlogN

(FFT)

Zysk

N/logN

16

256

64

4

256

65535

2048

32

512

262144

4608

64

2048

~4e6

22528

186

background image

42

Transformacja Fouriera obrazów

Redukcja zakłóceń obrazu przeprowadzona
w dziedzinie cz
ęstotliwości

FFT

IFFT

background image

43

(

)

(

)

(

)

(

)





+





+

=

∑∑

=

=

N

y

v

cos

N

x

u

cos

y

,

x

f

N

v

,

u

F

N

i

N

k

2

1

2

2

1

2

2

1

0

1

0

π

π

Transformacja kosinusowa

1

2

1

=

N

,

,

,

v

,

u

K

dla:

-N

-N

N-1

N-1

oryginał

Widmo Fouriera funkcji
rzeczywistej i symetrycznej
posiada rzeczywiste
współczynniki, tj. tylko
współczynniki związane z
kosinusowymi wyrazami
szeregu Fouriera.

background image

44

Transformacja kosinusowa

Funkcje bazowe
przekształcenia
kosinusowego
o wymiarze 8x8

background image

45

obraz ‘autumn’

transformata kosinusowa

(0,0)

szybkie zanikanie

współczynników

Standard kompresji obrazów JPEG
wykorzystuje transformacj
ę kosinusową

Transformacja kosinusowa

background image

46

Inne transformacje obrazów



transformacja Karhunena-Loevego, zwana
też transformacją

PCA (ang. Principal

Component Analysis)



transformacja falkowa
obrazu, wykorzystywana

w nowym standardzie

kompresji JPEG-2000

eigenfaces

©AT&T Labs

background image

47

Inne transformacje obrazów

JPEG 0.1

JPEG 0.1

bpp

bpp

8

8

bpp

bpp

Playboy Magazine

Wavelet

Wavelet

0.1

0.1

bpp

bpp

JPEG-2000


Wyszukiwarka

Podobne podstrony:
5 Przekształcenie Fouriera
6 i 7 Właściwości przekształcenia Fouriera
Przekształcenie Fouriera narzedzie nie tylko analizy przebiegów schodkowych
Dyskretne przekształcenie Fouriera
Dyskretne Przekształcenie Fouriera, WAT, SEMESTR V, Cfrowe przetwarzanie sygnałów, Cps, od borysa, C
5 Przekształcenie Fouriera
Dyskretne przekształcenie Fouriera, cz 1
6 i 7 Właściwości przekształcenia Fouriera
Dyskretne przekształcenie Fouriera, cz 4
Dyskretne przekształcenie Fouriera, cz 2
Dyskretne przekształcenie Fouriera, cz 3
Dyskretne przeksztaĹ'cenie Fouriera
Diagnostyka obrazowa Podstawowe przeksztalcenia obra
Dyskretne przeksztaĹ'cenie Fouriera
Przeksztalcanie wzorow

więcej podobnych podstron