hm3-算法描述和文档
- T1
- 频域和空域
- 实验步骤
- 解释滤波结果
- 实验结果
- T2
T1
频域和空域
1.频域和空域很多地方是对称的。
2.空域卷积=频域乘积
3.空间滤波是邻域运算(卷积和相关)
4.频域滤波通过滤波函数来实现滤波操作,相当于在空域做了卷积操作。
5.图像的频谱幅度随频率的增大而迅速衰减
6.高频部分越多,图像细节越丰富,反之图像越平滑,显得模糊。高频部分(离中心较远区域)对应于图像的细节(边缘、线条等)。低频部分(中心部分)对应于图像的整体信息。
7.空域滤波的用途是平滑,消除或减少噪声的影响,改善图像质量。图像平滑本质上是低通滤波,将信号的低频部分通过,而阻截高频的噪声信号,但图像的边缘也属于高频成分。
8.频域滤波是将信号中特定波段频率滤除的操作。低通滤波是使低频通过而使高频衰减的滤波器。高通滤波是使高频通过而使低频衰减的滤波器。
实验步骤
1.将输入图像存入一个矩阵f
2.对f进行前处理。因为所涉及的滤波器一般原点在中心,所以图像的DFT需要中心平移。
根据傅里叶变换的平移性,
当u=M2,v=N2u =\frac{M}{2},v = \frac{N}{2}时
ej2π(u0x/M+v0y/N)=ejπ(x+y)=(−1)(x+y)e^{j2{\pi}(u_0x/M+v_0y/N)}= e^{j{\pi}(x+y)}=(-1)^{(x+y)}
所以将频域的坐标原点从(0,0)移至显示屏幕中心只需将f(x,y)f(x,y)乘以(−1)(x+y)(-1)^{(x+y)}再进行DFT变换,得到矩阵F
3.题目要求利用一阶Buterworth低通滤波器进行频域滤波,所以滤波函数为:
H(u,v)=11+(u2+v2√D0)2nH(u,v) = \frac{1}{1+{(\frac{\sqrt{u^2+v^2}}{D_0}})^{2n}}
在此,采用n=1的1阶Butterworth滤波器
H(u,v)=11+(u2+v2D20)H(u,v) = \frac{1}{1+{(\frac{{u^2+v^2}}{D_0^2}})}
根据D0D_0的不同值得到相应的滤波图像。
4.用滤波函数H(u,v)H(u,v)与F(u,v)F(u,v)相乘,使高频成分衰减,达到低通滤波的目的。
5.对滤波后的F做DFT反变换,因为图像不能含虚部,所以需要取实部。
6.对5中的结果乘以(−1)(x+y)(-1)^{(x+y)}反中心变换得到新的图像。
解释滤波结果
从频域的角度来看,高频部分在离中心较远的地方,所以u2+v2u^2+v^2就比较大,所以对于同一个D0D_0,高频成分的分母就比较大,分母大分数反而比较小,所以对应的滤波函数H(u,v)H(u,v)就比较小,乘上F(u,v)F(u,v)后就能使原来的高频成分衰减甚至消除。而对于越小的D0D_0,u2+v2u^2+v^2的影响就越大,高频成分就衰减得越多,那么反应到空域上图像就越平滑,细节和边缘就越少。
实验结果
由上述变化的D0和输出的图像效果知,D0越小,图像越平滑,高频成分越少,细节和边缘越模糊。
T2
1.同态滤波的基本想法是通过对数变换将光照影响转换为传统噪声模型进行处理
此时,选择
γH=2,γL=0.25,C=1γ_H=2,γ_L=0.25,C=1
H(u,v)=1.75∗[1−e−[D2(u,v)/D20]]+0.25H(u,v)=1.75*[1-e^{-[D^2(u,v)/D_0^2]}]+0.25
2.经尝试,D0=300D_0=300可能效果相对较好
pic2-1:同态滤波D0=300D_0=300
3.一阶巴特沃斯高通滤波器的滤波函数
如将滤波器替换为一阶Butterworth高通滤波器,比较滤波结果。
滤波函数是:
H(u,v)=11+(D0u2+v2√)2nH(u,v) = \frac{1}{1+{(\frac{D_0}{\sqrt{u^2+v^2}}})^{2n}}
此处取n=1n=1
得H(u,v)=11+(D20u2+v2)H(u,v) = \frac{1}{1+{(\frac{D_0^2}{{u^2+v^2}}})}
pic2-2:巴特沃斯一阶高通滤波器D0=2D_0=2
pic2-3:巴特沃斯一阶高通滤波器D0=5D_0=5
pic2-2:巴特沃斯一阶高通滤波器D0=10D_0=10
pic2-2:巴特沃斯一阶高通滤波器D0=50D_0=50
可以看出当D0D_0的值更大的时候,图像锐化更明显,细节边缘越清晰,越不平滑。
hm3-算法描述和文档相关推荐
- [源码和文档分享]JAVA实现基于k-means聚类算法实现微博舆情热点分析系统
微博在这短短几年时间内发展迅速,成为了传播信息的一种很重要的载体,仅新浪微博注册用户早已超过3亿,每日发博量超过1亿条,微博是研究大量舆情信息的最佳场所.微博中如此大的信息量,必然要对信息进行甄选,这 ...
- J-Link软件和文档包的版本发行说明(2)[V4.96 ~ V6.12j版本]
官方链接:https://www.segger.com/downloads/jlink/ReleaseNotes_JLink.html J-Link软件和文档包的版本发行说明(1)[V3.00d ~ ...
- J-Link软件和文档包的版本发行说明(3)[V6.14 ~ V6.48b版本]
官方链接:https://www.segger.com/downloads/jlink/ReleaseNotes_JLink.html J-Link软件和文档包的版本发行说明(1)[V3.00d ~ ...
- 字符和文档识别的四十年研究
字符和文档识别的四十年研究 ---工业前景的瞻望 文档来源:http://www.sciencedirect.com/science/article/pii/S0031320308000964 文章历 ...
- [内附完整源码和文档] 基于Jsp的百货中心供应链管理系统
摘要 近年来,随着计算机技术的发展,以及信息化时代下企业对效率的需求,计算机技术与通信技术已经被越来越多地应用到各行各业中去.百货中心作为物流产业链中重要的一环,为了应对新兴消费方式的冲击,从供货到销 ...
- Tencent APIJSON 零代码、全功能、强安全 ORM 库 后端接口和文档零代码,前端(客户端) 定制返回 JSON 的数据和结构
项目介绍 零代码.全功能.强安全 ORM 库 后端接口和文档零代码,前端(客户端) 定制返回 JSON 的数据和结构. A JSON Transmission Protocol and an ORM ...
- 在 Java 应用程序中使用 Elasticsearch: 高性能 RESTful 搜索引擎和文档存储快速入门指南
如果您使用过 Apache Lucene 或 Apache Solr,就会知道它们的使用体验非常有趣.尤其在您需要扩展基于 Lucene 或 Solr 的解决方案时,您就会了解 Elasticsear ...
- NLP论文 -《Distributed Representations of Sentences and Documents》-句子和文档的分布式表示学习(二)
Distributed Representations of Sentences and Documents(句子和文档的分布式表示学习) 作者:Quoc Le and Tomas Mikolov 单 ...
- NLP论文 -《Distributed Representations of Sentences and Documents》-句子和文档的分布式表示学习
Distributed Representations of Sentences and Documents(句子和文档的分布式表示学习) 作者:Quoc Le and Tomas Mikolov 单 ...
最新文章
- java动物园管理员_zookeeper动物园管理员学习笔记
- mint 15用fcitx框架安装中文谷歌输入法
- 延长线段ab到c的画法有几种_终于有人把趋势线的正确画法和错误画法讲透彻了,字字精华,原来大多数人都画错了...
- 不定长参数的装包与拆包
- python秒杀神器苏宁_Python爬虫——实战三:爬取苏宁易购的商品价格
- JAVAEE框架之Spring JdbcTemplate
- 只做macd二次金叉_【教你一招】MACD低位二次金叉
- 新春聊一下:技术架构与架构师角色的诸多思考
- Java类类getResourceAsStream()方法及示例
- DISCUZ X3.0 积分增减以及记录
- L298电机驱动原理图+PCB
- 修改XP登陆界面教程
- Nginx——自定义错误页面
- CSS实现文字环绕图片效果
- 2021秋季《数据结构》_EOJ 1086.哥尼斯堡的七桥问题
- 【华为 OJ 】等差数列
- 网络传输大端序_大端 小端和网络字节序说明
- 育儿心得,所有适龄女青年都该看一下
- wind 10 安装node环境
- mybatis mapperLocations配置失效