计算机视觉深度学习实战三：频域分析及其变换

频域分析及变换

更多精彩内容请关注微信公众号：听潮庭。

如何让卷积更快：空域卷积=频域卷积

高斯金字塔

• 图像金字塔化：先进行图像平滑，再进行降采样，

• 根据降采样率，得到一系列尺寸逐渐减小的图像。

• 操作：n次（高斯卷积->2倍降采样）->n层金字塔

• 目的：捕捉不同尺寸的物体

• 

• 高斯滤波的必要性：直接降采样损失信息

• 高斯金字塔本质上为信号的多尺度表示法

• 

拉普拉斯金字塔（Laplacian）

• 高频细节信息在卷积和下采样中丢失
• 保留所有层所丢失的高频信息，用于图像恢复
• 

高斯金字塔与拉普拉斯金字塔

• 下采样
• 上采样
• 高斯模糊

频率域分析—傅里叶变换

傅里叶变换

• 一个信号可以由足够多个不同频率和幅值的正余弦波组成
• 
• 信号分解：
• 
• 傅里叶变换的数学公式：连续变换
• 
• 欧拉公式
• 
• 
• 
• 欧拉公式描述的是一个随着时间变化，在复平面上做圆周运动的点；
• 傅里叶变换描述的就是一系列这样的点的运动的叠加的效应
• 
• 傅里叶逆变换
• 
• 

离散傅里叶变换

• 

• 二维离散傅里叶变换：

• 

• 

2D离散傅里叶变换

• 2D傅里叶基图片（越靠外的 是条纹越密集的地方）
• 

频谱滤波

1. 基于傅里叶变换的滤波：低通滤波

• 

基于傅里叶变换的滤波：相位滤波

频段滤除

傅里叶变换的不足

• 关键问题：傅里叶变换假设前提为信号平稳，但实际中信号多数为非平稳信号。
• 缺乏时间和频率的定位功能
• 对于非平稳信号的局限性
• 在时间和频率分辨率上的局限性
• 
• 

解决方法：

短时傅里叶变换

• SIFT（短时傅里叶变换）添加时域信息的方法是设置窗格，认为窗格内的信号是平稳的；
• 然后对窗格内的信号分段进行傅里叶变换；
• 优点是可以获得频域信息的同时可以获得时域信息。
• 缺点是窗格大小很难设置。
• 
• 短时傅里叶变换的特点：
  • 窄窗口时间分辨率高、频率分辨率低；
  • 宽窗口时间分辨率低，频率分辨率高；
  • 对于时变的非稳态信号，高频适合小窗口。低频适合打窗口
  • 但是STFT的窗口是固定的
  • 

小波变换

• 小波变换与STFT思路接近，但小波变换直接把傅里叶变换的基给换了-----将无限长的三角函数基换成了有限长的会衰减的小波基。
• 这样不仅能够获取频率，还可以定位到时间；
• 
• 所谓的小波函数，是一族函数，需要满足：
  • 1、均值为0；
  • 在时域和频域都局部化，不蔓延到整个坐标轴
• 满足这两条的函数就是小波（Wavelet）函数，有很多种类，最简单的是Haar小波。
• 小波变换要做的就是将原始信号表示为一组小波基的线性组合，然后通过忽略其中不重要的部分达到数据压缩（即降维）的目的。
• 常用的小波函数包括：
  • Haar系列，Daubechies系列，Moret系列；
  • Sym系列，Meyer系列，Coif系列。
• 

滤波实战

1、高斯滤波与中值滤波

• import cv2
  import numpy as np
  import matplotlib.pyplot as plt
  
  img = cv2.imread('opencv.png',0) #0 直接读为灰度图像
  for i in range(2000): #添加点噪声
      temp_x = np.random.randint(0,img.shape[0])
      temp_y = np.random.randint(0,img.shape[1])
      img[temp_x][temp_y] = 255 #在temp_x,temp_y处添加白色噪声（255是白色，0是黑色）
  
  blur_1 = cv2.GaussianBlur(img,(5,5),0)
  
  blur_2 = cv2.medianBlur(img,5)
  
  plt.subplot(1,3,1),plt.imshow(img,'gray')#默认彩色，另一种彩色bgr
  plt.subplot(1,3,2),plt.imshow(blur_1,'gray')
  plt.subplot(1,3,3),plt.imshow(blur_2,'gray')
  plt.show()

   

• 

2、Sobel滤波x方向 y方向

边缘探测

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('dave.png',0)
laplacian = cv.Laplacian(img,cv.CV_64F)
sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)

plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])

plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()

 

3、快速傅里叶变换

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('opencv.png',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

 

4、Clahe

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('timg.jpg',0) #直接读为灰度图像
res = cv2.equalizeHist(img)

clahe = cv2.createCLAHE(clipLimit=2,tileGridSize=(10,10))
cl1 = clahe.apply(img)

plt.subplot(131),plt.imshow(img,'gray')
plt.subplot(132),plt.imshow(res,'gray')
plt.subplot(133),plt.imshow(cl1,'gray')

plt.show()

 

中间是自适应直方图均衡的效果 右边是Clahe