图像的频域理解以及频域处理

一般我们见到的简单的图像处理都是空间域的处理。即图像是一个二维图像,每个点都有对应的坐标。
图像的频域理解起来并不是那么简单,因此我在这里说一下个人理解,希望帮助到需要帮助的人。本篇博文使用Halcon软件的示例以及图像进行展示。

首先需要说明的几点知识:
1.如果需要看频谱图是要进行傅里叶变换的,图像的傅里叶变换其实是将图像的灰度分布函数变换为图像的频率分布函数。
2.图像的频域中的高频分量对应图像的细节信息,图像低频分量对应图像的轮廓信息。高频分量代表的是信号的突变部分(即灰度值梯度大),而低频分量决定信号的整体形象(即梯度小)。
3.在频谱图中,可以看到亮度不同的点,这些点中亮度大就证明该点的梯度大(即高频分量),亮度小证明该点的梯度小(即低频分量)。
4.频谱图中中心部分代表高频分量,四周代表低频分量,尤其是四个顶点。

然后根据图像进行简单解释。

image.png

原图

然后进行傅里叶变换

rft_generic (Image, ImageFFT, 'to_freq', 'none', 'complex', Width)

image.png

傅里叶变换之后的频谱图

原图特征一致,图像梯度很小,则低频分量较多,高频分量较少。体现在频谱图中就是顶点部分更亮。而肉眼可以明显的看到图像中有一部分凸起,这部分的梯度就变大了,在频谱图中该部分就偏亮些。

然后可以对图像进行滤波

convol_fft (ImageFFT, Filter, ImageConvol)
rft_generic (ImageConvol, ImageFiltered, 'from_freq', 'n', 'real', Width)

image.png

滤波之后的图像

这样就可以将中间部分的凸起检测出来了。

image.png

image.png

有的图像在空间域中进行处理会很困难,例如该例中的检测缺陷。但是放到频域中就可以很简单的进行检测,比如我们看到的经过滤波之后的图像,待检测点部分的特征明显去其他地方不同。


本文出自勇哥的网站《少有人走的路》wwww.skcircle.com,转载请注明出处!讨论可扫码加群:

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

会员中心
搜索
«    2024年3月    »
123
45678910
11121314151617
18192021222324
25262728293031
网站分类
标签列表
最新留言
    热门文章 | 热评文章 | 随机文章
文章归档
友情链接
  • 订阅本站的 RSS 2.0 新闻聚合
  • 扫描加本站机器视觉QQ群,验证答案为:halcon勇哥的机器视觉
  • 点击查阅微信群二维码
  • 扫描加勇哥的非标自动化群,验证答案:C#/C++/VB勇哥的非标自动化群
  • 扫描加站长微信:站长微信:abc496103864
  • 扫描加站长QQ:
  • 扫描赞赏本站:
  • 留言板:

Powered By Z-BlogPHP 1.7.2

Copyright Your skcircle.com Rights Reserved.

鄂ICP备18008319号


站长QQ:496103864 微信:abc496103864