paper 54 :图像频率的理解

我一直在思考一个问题,图像增强以后,哪些方面的特征最为显著,思来想去,无果而终!翻看了一篇知网的paper,基于保真度(VIF)的增强图像质量评价,文章中指出无参考质量评价,可以从三个方面考虑:平均梯度(AG)、信息熵(IE)、空间频率(SF)。这些特征不是很全面,效果也未必是好的,在数据库上测试的结果的确不是很理想,就以空间频率为主吧,研究一下:

1、什么是图像的频率:

不同频率信息在图像结构中有不同的作用。图像的主要成分是低频信息,它形成了图像的基本灰度等级,对图像结构的决定作用较小;中频信息决定了图像的基本结构,形成了图像的主要边缘结构;高频信息形成了图像的边缘和细节,是在中频信息上对图像内容的进一步强化。

用傅里叶变换可以得到图像的频谱图:

上面的图像左边是原图,右边是频谱图

• 图像的频率是表征图像中灰度变化剧烈程度的指标,是灰度在平面空间上的梯度。如:大面积的沙漠在图像中是一片灰度变化缓慢的区域,对应的频率值很低;而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高。

对图像而言,图像的边缘部分是突变部分,变化较快,因此反应在频域上是高频分量图像的噪声大部分情况下是高频部分图像平缓变化部分则为低频分量。也就是说,傅立叶变换提供另外一个角度来观察图像,可以将图像从灰度分布转化到频率分布上来观察图像的特征。

• 图像进行二维傅立叶变换得到频谱图,就是图像梯度的分布图,当然频谱图上的各点与图像上各点并不存在一一对应的关系,即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点,实际是上图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小(可以这么理解,图像中的低频部分指低梯度的点,高频部分相反)。

那么什么是图像的空间频率(⊙o⊙)?

2、图像的空间频率:

     定义: 空间频率域。 英文: spatial frequency domain。 释文: 以空间频率(即波数)为自变量描述图像的特征,可以将一幅图像像元值在空间上的变化分解为具有不同振幅、空间频率和相位的简振函数的线性叠加,图像中各种空间频率成分的组成和分布称为空间频谱。这种对图像的空间频率特征进行分解、处理和分析称为空间频率域处理或波数域处理。和时间域与频率域可互相转换相似,空间域与空间频率域也可互相转换。

图像的空间频率指每度视角内图象或刺激图形的亮暗作正弦调制的栅条周数,单位是周/度。它是根据19世纪数学家J.-B.-J. 傅里叶提出的分析振动波形的理论而出现的描述视觉系统工作特性的概念。最初在物理光学中,空间频率指每毫米具有的光栅数,单位为线/毫米。60年代引入视觉的研究中。这一概念的广泛运用,为视觉特性、图形知觉以及视觉系统信号的传输、信息的加工等研究提供了一个新的途径。
  在用空间频率描述视觉系统的特性时,栅条空间频率的大小和栅条本身的对比度都是重要的因素。栅条图形的对比度是(最高亮度-最低亮度)/(最高亮度+最低亮度)。调整某一空间频率栅条的对比度,当观察者能有50%的正确分辨率时,这个对比度就是该空间频率的对比阈限。对比阈限值的倒数即观察者对这个空间频率的对比感受性。实验测定,人眼对比阈限是随空间频率的改变而改变的,即是空间频率的函数,称之为对比感受性函数(简称CSF)。因它类似于光学系统的调制传递函数(简称MTF),故也称之为MTF。一般视力正常的观察者对每度视角3周或4周的栅条最敏感,高于或低于这个频率时感受性都降低。如果空间频率超过每度视角60周时,不论对比度怎样加大,都不能看清栅条。在不能看清栅条时的频率称为截止频率,它可作为视觉锐度的指标。
  1968年F.W.坎贝尔和J.罗布森经过实验证明了在人的视觉系统中存在许多频道,每一频道所调制的空间频率的区域是不同的。他们还估计了每个频道的有效带宽,这就是视觉的多通道理论。这一理论后来又为许多实验所证实。视觉实验还证明,各频率通道对栅条的方向也敏感。L.马费伊等所作的电生理学的实验也证明,在视皮层上有对不同空间频率敏感的神经元,因而他认为视觉系统是一个傅里叶分析器。H.R.魏尔逊从视网膜细胞分布的不均匀性出发,提出了四通道理论。他认为视网膜的每一点上都存在4种频率的通道,而且这4种频率通道的感受性又各不相同。后来他又把4通道补充为6个频率通道。

时间: 2024-08-03 19:56:38

paper 54 :图像频率的理解的相关文章

【Matlab】图像插值函数interp2理解

图像插值就是利用已知邻近像素点的灰度值(或rgb图像中的三色值)来产生未知像素点的灰度值,以便由原始图像再生出具有更高分辨率的图像. 通过例子来理解interp2函数: [X,Y] = meshgrid(-3:3); %产生网格坐标 V = peaks(X,Y); %通过网格坐标计算函数值,产生三维凹凸面 figure surf(X,Y,V) title('Original Sampling');%原始面 进行插值 [Xq,Yq] = meshgrid(-3:0.25:3); %产生插值所需要的

图像的二维频谱图的理解 20170622

# 1 图像二维频谱长什么样子(左图是原图,右图是对应的频谱图) (图片来源:第一组是来自matlab自带的图片 "cameraman.tif":第二组是用 excel 画的,然后截图) # 2 怎么获得(matlab和C++调用) matlaba代码,保存为 spectrum2D.m function [Result] = spectrum2D(I) % I is a gray image % 'Input Image should be gray!' A = rgb2gray(I)

为什么低频信息描述了图像在光滑部位的整体灰度信息,而高频部分则反映了图像在边缘、噪声等细节方面的表现?

今天突然冒出来这个问题,为什么图像边缘是图像高频部分呢? 高频不应该是频率高的部分么?图像边缘应该是频率低的啊? 查了不少人的问答简单而言,是对频率的理解问题: 高频是指高的f,而f则可以理解特定的正弦波,频率越大,正弦波是不是变化得越快? 另附上高人解答: 冈萨雷斯版<图像处理>里面的解释非常形象:一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜.棱镜是可以将光分解为不同颜色的物理仪器,每个成分的颜色由波长(或频率)来决定. 傅里叶变换可以看作是数学上的棱镜,将函数基于频率分解为不同的成分.当我

Opencv 实现图像的离散傅里叶变换(DFT)、卷积运算(相关滤波)

我是做Tracking 的,对于速度要求很高.发现傅里叶变换可以使用.于是学习之! 核心: 最根本的一点就是将时域内的信号转移到频域里面.这样时域里的卷积可以转换为频域内的乘积! 在分析图像信号的频率特性时,对于一幅图像,直流分量表示预想的平均灰度,低频分量代表了大面积背景区域和缓慢变化部分,高频部分代表了它的边缘,细节,跳跃部分以及颗粒噪声.  因此,我们可以做相应的锐化和模糊的处理:提出其中的高频分量做傅里叶逆变换得到的就是锐化的结果.提出其中的低频分量做傅里叶逆变换得到的就是模糊的结果.

zz图像卷积与滤波的一些知识点

Xinwei: 写的通俗易懂,终于让我这个不搞CV.不搞图像的外行理解卷积和滤波了. 图像卷积与滤波的一些知识点 [email protected] http://blog.csdn.net/zouxy09 之前在学习CNN的时候,有对卷积进行一些学习和整理,后来就烂尾了,现在稍微整理下,先放上来,以提醒和交流. 一.线性滤波与卷积的基本概念 线性滤波可以说是图像处理最基本的方法,它可以允许我们对图像进行处理,产生很多不同的效果.做法很简单.首先,我们有一个二维的滤波器矩阵(有个高大上的名字叫卷

使用OpenCV3处理图像

不同色彩空间的转换 当前,在计算机视觉中有三种常用的色彩空间:灰度.BGR.以及HSV(Hue,Saturation,Value) 灰度色彩空间是通过去除彩色信息来将其转换成灰阶,灰度色彩空间对中间处理特别有效,比如人脸检测. BGR,即蓝绿红色彩空间,每一个像素点都有一个三元数组来表示,分别代表蓝绿红三种颜色.与RGB只是在颜色的顺序上不同. HSV,即色调.饱和度.亮度. 绘画遵从减色模型,而运行在计算机上的软件所使用的色彩模型是加色模型. 傅立叶变换 人们所看到的波形都是由其他波形叠加得到

matlab自学笔记(3)—图像绘制与图像处理

1.绘制函数的图像 在matlab中绘制函数的图像大概可以分为三步,1.定义函数:22.制定取值范围:3.调用plot(x,y)函数. 例如我们绘制 y =  sin (x)的图像,可以使用如下的代码: 当然,我们还可以对图像进行一些优化与处理,比如为坐标轴加上标签,加上网格等.直接看代码及效果: x = [0:0.1:10]; y = sin(x); plot(x,y),xlabel('x'),ylabel('sin(x)'),legend('x'),grid on; %xlabel()是显示

简易理解傅里叶变换(转)

我保证这篇文章和你以前看过的所有文章都不同,这是 2012 年还在果壳的时候写的,但是当时没有来得及写完就出国了……于是拖了两年,嗯,我是拖延症患者…… 这篇文章的核心思想就是: 要让读者在不看任何数学公式的情况下理解傅里叶分析. 傅里叶分析不仅仅是一个数学工具,更是一种可以彻底颠覆一个人以前世界观的思维模式.但不幸的是,傅里叶分析的公式看起来太复杂了,所以很多大一新生上来就懵圈并从此对它深恶痛绝.老实说,这么有意思的东西居然成了大学里的杀手课程,不得不归咎于编教材的人实在是太严肃了.(您把教材

图像卷积

参考链接: http://www.cnblogs.com/freeblues/p/5738987.html http://blog.csdn.net/chaipp0607/article/details/72236892?locationNum=9&fps=1 神经网络中的卷积层,它的原理就来源于图像卷积 概述 卷积在信号处理领域有极其广泛的应用, 也有严格的物理和数学定义. 本文只讨论卷积在数字图像处理中的应用. 在数字图像处理中, 有一种基本的处理方法:线性滤波. 待处理的平面数字图像可被看