灰度图像--频域滤波 傅里叶变换之卷积

学习DIP第17天

转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意。。。。。。。。

开篇废话

依旧是废话,傅里叶变换大学学了等于白学,首先问题在自己,自己当时就没把心思投入到学习中,第二,老师讲的真的是,现在回想,看看斯坦福的公开课“傅里叶变换及其应用”感觉差距不是一般的大。不是对老师的不尊,也不是崇洋媚外,事实摆在那里,一看就知道。把复杂的讲简单了,讲出自己的理解的老师,我上学的时候应该只遇到过一个,可惜是教大学物理的而不是专业课,而且本人大一的时候不好好学习,错过了唯一一位讲课用心的老师(略表惭愧,老师姓弓,西安电子科技大学,在此对弓老师表示敬意)。

卷积

卷积,大部分老师是说,对于离散序列,两个序列的卷积就是,一个序列翻转,顺次划过另一个,然后对应的乘积再求和,没错,公式上写的就是那样。而且一般的课程都是先讲连续形式的卷积,即把乘积求和变成乘积的积分。其实我觉得,卷积一般用在离散信号,所以先讲离散的应该比较好理解,再说积分会打击很多人的信心。毕竟小学就会加法,而积分到了大学才学,应该先学简单的。来看官方的(wiki)定义:

两个序列卷积,完成的仅仅是一个计算过程,没有物理意义,也没有工程意义,所以,我要是老师我会这么跟大家说。

首先,我们有一个阶梯,每个阶梯上都有一个秤,所有秤都会连接到服务器(额,这个有点扯),每节台阶上的秤得到的结果会加不同的权,然后到服务器求和,也就是说,如果我们有且只有一个标准重量(例如1kg)物体,把它放到第一台阶的秤上,系统输出就是其重量(1kg)加权(例如:权重为2)的结果2。假设系统有三节台阶,每个台阶的权分别为{2,3,4},那么标准重量物体随等间隔时间t依次上台阶,系统输出就是{2,3,4},哈哈,恭喜你,标准物体就是冲击(自行翻阅信号与系统的书籍),输出的{2,3,4}就是系统(这个阶梯秤系统)的冲击响应。可能不严谨,但是这个绝对比书上的形象。

还没看懂的话下面更形象:

上图是我们的完整系统,output为输出,其中s1到s4为各个阶梯上的秤的度数,每个阶梯下面对应的权重,也就是system{1,2,3,4},输入是我们一群已经排好队的球,每个球的位置已经确定,即有序的,每个球的重量一定,不随时间变化。所以input为{1,2,4,2,2,2}

下面就开始卷积了,卷积过程就是一个系统对一个输入的响应过程;

STEP0:调转队列(翻转的过程),准备上楼梯

STEP1:上楼开始,头先上

STEP2:这是一个球的一小步,却是输入信号的一大步

STEP3:

STEP4:

STEP5:

STEP6:

STEP7:

STEP8:

STEP9:

STEP10:

结论:

卷积可以按照以上来理解,之前网上有对卷积通俗的解释,是打人,先打一顿肿了,第二天还没好又打了一顿,感觉这种解释太血腥,而且不直观,不够数据化,所以想出来上面的解释,但数学是数学,理解归理解,数学还是更严谨些。希望大家能对卷积有更好的认识。

时间: 2024-10-09 05:02:49

灰度图像--频域滤波 傅里叶变换之卷积的相关文章

灰度图像--频域滤波 傅里叶变换之二维离散傅里叶变换

学习DIP第24天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 开篇废话 今天要记录的是二维离散傅里叶变换的一些性质,也是傅里叶在图像处理中要用到的一些性质,所以

灰度图像--频域滤波 傅里叶变换之傅里叶级数

学习DIP第18天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意........ 0.开篇废话 废话开始,故事是这样的,当我上大学的时候,学过信号与系统,当时已经学了高的数学,也知道了傅里叶变换的公式,但是,公式是怎么来的,有什么用,不清楚,学信号与系统的时候,知道傅里叶用在什么地方,但是不清楚为什么可以用在这些地方,书中的记忆是:傅里叶变换或者其家族的变换

灰度图像--频域滤波 傅里叶变换之离散时间傅里叶变换(DTFT)

学习DIP第22天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意........ 开篇废话 本来是不想写DTFT的,原因1,与前面傅里叶变换(FT)推导过程相似,原因2,在图像处理中DTFT应用不是很广泛,但后来想想还是写出来,原因1,不写出来我觉得心里不踏实,原因2,DTFT是DFT的近亲,不写的话家族不完整,下一篇写DFT,其实写到这个阶段,要写的东西就

灰度图像--频域滤波 傅里叶变换之离散傅里叶变换(DFT)

学习DIP第23天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 开篇废话 一如既往的开篇废话,今天介绍离散傅里叶变换(DFT),学习到这,不敢说对傅里叶有多了解,

灰度图像--频域滤波 概论

学习DIP第25天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 开篇废话 这两天写了一下频域滤波的代码,并且发现以前博客里代码的一个BUG,产生BUG的原因是一维

灰度图像--空域滤波 基础:卷积和相关

学习DIP第28天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 文章代码已托管,欢迎共同开发:https://github.com/Tony-Tan/DIPpro

灰度图像--频域滤波 同态滤波

学习DIP第27天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 文章代码已托管,欢迎共同开发:https://github.com/Tony-Tan/DIPpro

灰度图像--频域滤波 滤波器

学习DIP第26天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 开篇废话 依然是废话开始,滤波器的起源就是频域来的,针对频域特性,滤波器被设计成各种各样的功能,但

Python下opencv使用笔记(十)(图像频域滤波与傅里叶变换)

前面曾经介绍过空间域滤波,空间域滤波就是用各种模板直接与图像进行卷积运算,实现对图像的处理,这种方法直接对图像空间操作,操作简单,所以也是空间域滤波. 频域滤波说到底最终可能是和空间域滤波实现相同的功能,比如实现图像的轮廓提取,在空间域滤波中我们使用一个拉普拉斯模板就可以提取,而在频域内,我们使用一个高通滤波模板(因为轮廓在频域内属于高频信号),可以实现轮廓的提取,后面也会把拉普拉斯模板频域化,会发现拉普拉斯其实在频域来讲就是一个高通滤波器. 既然是频域滤波就涉及到把图像首先变到频域内,那么把图