傅里叶变换
冲激
- 冲激
- 单位冲激($0$ 处)：$\delta(t)=[t=0]\infty,\int_{-\infty}^{\infty}\delta(t)dt=1$
- 单位冲激($t_0$ 处)：$\delta(t-t_0)\infty$
- 采样性质：$\int_{-\infty}^{\infty}f(t)\delta(t)dt=f(0)$
- 离散冲激
- 离散单位冲激：$\delta(x-x_0)=[t=0]$
- 采样性质：$\sum_{x=-\infty}^\infty f(x)\delta(x-x_0)=f(x_0)$
- 冲激串: $s_{\Delta T}(t)=\sum_{n=-\infty}^{\infty}\delta(t-n\Delta T)$
- $S_{\Delta T}(\mu)=\frac{1}{\Delta T}s_{\frac{1}{\Delta T}}$
- 采样: $f(t)s_{\Delta T}(t)=\sum_{n=-\infty}^{\infty}f(t)\delta(t-n\Delta T)$
- 周期化：$f(t)\star s_{\Delta T}(t)$
(Continuous) Fourier Tranform
连续函数 $f(t)$ $\overset{\mathcal{F}}{\leftrightarrow}$ 连续函数 $F(\mu)$
- FT
$$F(\mu)=\mathcal{F}(f)=\int_{-\infty}^{\infty}f(t)e^{-i2\pi\mu t}dt=\int_{-\infty}^\infty f(t)[\cos(2\pi\mu t)-i\sin(2\pi\mu t)]dt$$
- IFT
$$f(t)=\mathcal{F}^{-1}(F)=\int_{-\infty}^{\infty}F(\mu)e^{i2\pi\mu t}d\mu$$
- 性质
- 对称性：$\mathcal{F}(F(t))=f(-\mu)$
- 线性: $\mathcal{F}(\alpha f+\beta g)=\alpha\mathcal{F}(f)+\beta\mathcal{F}(g)$
- 平移性：
- $\mathcal{F}(f(t-\tau))=F(\mu)e^{-i2\pi\mu\tau}$
- 微分关系：$\mathcal{F}(f’(x))i\mu=\mathcal{F}(f(x))$
- 卷积定理
- $(f(t)\star h(t))(x)=\int_{-\infty}^\infty f(x-t)h(t)dt$
- $\mathcal{F}(f(t)\star h(t))=H(\mu)F(\mu)$
- $\mathcal{F}(f(t)h(t))=H(\mu)\star F(\mu)$
- 盒状函数：$f(t)=A[|x|<=\frac{W}{2}]$
- $F(\mu)=AW\frac{\sin(\pi\mu W)}{\pi\mu W}=AW\text{sinc}(\mu W)$
Fourier Series
连续周期函数 $\overline{f}(t)$ $\overset{\mathcal{FS}}{\leftrightarrow}$ 离散函数 $F[k]$
- $\overline{f}(t)=f(t)\star s_{T_0}(t)$
- FS
$$ F[k] = \mathcal{FS}(\overline{f}) = \mathcal{F}(f\star s*{T_0}) = \frac{1}{T}\int*{-T/2}^{T/2}f(t)e^{-i\frac{2\pi k}{T}t}dt$$
- IFS
$$\overline{f}(t) = \mathcal{FS}^{-1}(F) =\sum_{n=-\infty}^{\infty}F[n]e^{i\frac{2\pi n}{T}t}$$
Discrete Time Fourier Transform
离散函数 $x[n]$ $\overset{\mathcal{DTFT}}{\leftrightarrow}$ 连续周期函数 $\widetilde F(\mu)$
- $x[n]=\widetilde f(t)=f(t)s_{\Delta T}$
- DTFT
$$\widetilde F(\mu) = \mathcal{DTFT}(x[n]) = \mathcal{F}(f(t)s_{\Delta T})$$
- 采样定理：可完全恢复的采样率 $\frac{1}{\Delta T}>2\mu_{\max}$
- 带限函数：傅里叶变换后非零频率属于 $[-\mu_{\max},\mu_{\max}]$
- 奈奎斯特采样率：$2\mu$（无限采样）
- 混淆：带限函数必须在 $(-\infty,\infty)$ 有值，有限长度的采样，混淆不可避免
- 带限函数有限长度采样 $f(t)[0\leq t\leq T]$
- 抗混淆：事先防止或减轻混淆
- 平滑输入函数：图像散焦，减少高频分量
- 由样本恢复原函数
- 内插: $f(t)=\sum_{n=-\infty}^{\infty}f(n\Delta T)\text{sinc}(\frac{t-n\Delta T}{\Delta T})$
Discrete Fourier Transform
离散周期函数 $f_n$ $\overset{\mathcal{DFT}}{\leftrightarrow}$ 离散周期函数 $F_m$
- DFT:
$$F(u)=\mathcal{DFT}(f_n)=\sum_{x=0}^{M-1}f(x)e^{-i2\pi ux/M} ,u=0,1,2,\cdots,M-1$$
- IDFT:
$$f(x)=\mathcal{IDFT}(F)=\frac{1}{M}\sum_{0}^{M-1}F(u)e^{i2\pi ux/M},x=0,1,\cdots,M-1$$
- 适用于任何均匀采样的有限离散样本集
- 采样数：$M$
- 时间间隔：$\Delta T$
- 时间长度：$T=M\Delta T$
- 频域间隔：$\Delta u=\frac{1}{T}$
- 频域范围: $\Omega=\frac{1}{\Delta T}$
- 循环卷积: $f(x)\star h(x)=\sum_{m=0}^{M-1}f(m)h(x-m)$
二维傅里叶变换
冲激
- 冲激：$\delta(t,z)$
- 二维冲激串：$s_{\Delta T\Delta Z}(t,z)=\sum_{m=-\infty}^{\infty}\sum_{n=-\infty}^\infty\delta(t-m\Delta T,z-n\Delta Z)$
- 二维盒状函数：$F(\mu,v)=ATZ\text{sinc}(\pi\mu T)\text{sinc}(\pi v Z)$
- 二维采样定理：$\frac{1}{\Delta T}>2\mu_{\max},\frac{1}{\Delta Z}>2v_{\max}$
- 混淆
- 空间混淆(欠采样)：锯齿，伪高光，虚假模式
- 图像放大：过采样
- 图像缩小：欠采样
- 时间混淆：图像系列中的时间间隔：车轮倒转
- 摩尔模式：两个等间隔的光栅产生的差拍模式
- 空间混淆(欠采样)：锯齿，伪高光，虚假模式
离散傅里叶变换
- DFT
$$F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-i2\pi(ux/M+vy/N)}$$
- IDFT
$$f(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{i2\pi(ux/M+vy/N)}$$
- 平移性
- $f(x-x_0,y-y_0)\iff F(u,v)e^{-i2\pi(x_0u/M+y_0v/N)}$
- $f(x,y)e^{i2\pi(u_0x/M+v_0y/N)}\iff F(u-u_0,v-v_0)$
- 中心化：$f(x,y)(-1)^{x+y}\iff F(u-M/2,v-N/2)$
- 幅值不变
- 旋转性
- 极坐标：$f(r,\theta+\theta_0)\iff F(\omega,\varphi+\theta_0)$
- 对称性
- 偶函数：$w_e(x,y)=w_e(M-x,N-y)$
- 奇函数：$w_o(x,y)=-w_o(M-x,N-y)$
- $w_e(x,y)=\frac{w(x,y)+w(M-x,N-y)}{2}$
- $w_o(x,y)=\frac{w(x,y)-w(M-x,N-y)}{2}$
- 实函数的傅里叶变换是共轭对称的：$F^*(u,v)=F(-u,-v)$
- 虚函数的傅里叶变换是共轭反对称：$F^*(u,v)=-F(-u,-v)$
傅里叶谱
- 极坐标：$F(u,v)=|F(u,v)|e^{i\phi(u,v)}$
- 幅度（傅里叶谱）：$|F(u,v)|$
- 偶对称
- 正弦波的幅度，携带了灰度信息
- 相角：$\phi(u,v)\in[-\pi,\pi]$
- 奇对称
- 正弦波的位移，携带了定位信息
- 功率：$P(u,v)=|F(u,v)|^2$
- $F(0,0)$: 直流分量
- $|F(0,0)|=MN|\overline{f}(x,y)|$
二维离散卷积
- $f(x,y)\star h(x,y)=\sum_{m=0}^{M-1}\sum_{n=0}^{N-1}f(m,n)h(x-m,y-n)$
- $f(x,y)\star h(x,y)\iff F(u,v)H(u,v)$
- $f(x,y)h(x,y)\iff F(u,v)\star H(u,v)$
- 缠绕错误
- 样本数：$A,B$
- $0$ 填充：$P\geq A+B-1$
其它变换
拉普拉斯变换
$F(\omega)=\int_0^{+\infty}f(t)e^{-\sigma t}e^{-i\omega t}dt=\int_0^{+\infty}f(t)e^{-(\sigma+i\omega)t}dt=\int_0^{+\infty}f(t)e^{-st}dt$
$Z$ 变换
$X(\omega)=\sum_{-\infty}^{+\infty}x[n]e^{-(\sigma+i\omega)nT_s}$
$X(z)=\sum_{n=-\infty}^{+\infty}x[n]z^{-n}$
短时傅里叶变换
STFT: 方窗函数（紧支撑性）
$X(\omega,t_s)=\int_{-\infty}^{+\infty}h(t-t_s)x(t)e^{i\omega(t-t_s)}dt$
连续小波变换（CWT）
海森堡测不准原理：$\Delta t\Delta f>C$
- 低频信号：宽窗，低时域分辨度，高频率分辨率
- 高频信号：窄窗，高时域分辨度，低频域分辨度
- 动态分辨率：小波母函数
- 紧支撑性：$\exists a>0,\forall|t|>a,\psi(t)=0$
- 波动性：$\int_{-\infty}^{+\infty}\psi(t)dt=0$
- 容许条件（变换可逆）：$c_\psi=2\pi\int_{-\infty}^{+\infty}\frac{|\overline{\psi}(f)|^2}{|f|}df<+\infty$
- 正交性（变换可逆）
- 小波函数：$\psi^*(\tau,s)=\frac{1}{\sqrt{s}}\psi(\frac{t}{s}-\tau)$
- s 小，挤压，频率提高
- CWT: $\mathrm{CWT}x^\psi(\tau, s)=\frac{1}{\sqrt{s}}\int{-\infty}^{+\infty}x(t)\psi(\frac{t}{s}-\tau)dt$
- Haar 小波
- 尺度函数（父函数） $\phi=[0\leq x<1]$
- Haar 小波函数（母函数）$\psi=\phi(2x)-\phi(2x-1)$
离散小波变换（DWT）
Mallet 算法
- Haar 父函数与母函数
- $V_j={\sum_{k\in \mathbb{Z}}a_k\phi(2^jx-k)}$
- $W_j={\sum_{k\in \mathbb{Z}}a_k\psi(2^jx-k)}$
- $V_j=W_{j-1}\oplus W_j\oplus\cdots\oplus W_0\oplus V_0$
- $f_j=\omega_{j-1}+\omega_{j-2}+\cdots+\omega_0+f_0$
- 采样：$a_k=f(\frac{k}{2^j})$
- $f_j(x)=\sum_{k\in\mathbb{Z}}a_k^j\phi(2^jx-k)=\omega_{j-1}+f_{j-1}$
- 半子带滤波：获得高频 $(\frac{F_s}{2},F_s)$ 和低频 $(0,\frac{F_s}{2})$ 信号
- 一层小波分解：一次半子带滤波 + 一次 2 倍下采样
频域滤波
- 直观
- 变化最慢的分量，与平均灰度成正比
- 低频对应于图像中缓慢变化的灰度（墙）
- 高频对应于图像剧烈变化的灰度（边缘）
- 频域滤波器：$H(u,v)$
- $g(x,y)=\mathcal{F}^{-1}(H(u,v)F(u,v))$
- $F(u,v)$ 中心化: $F(u,v)=\mathcal{F}(f(x,y)(-1)^{x+y})$
- 频域滤波流程
- 补零：$M\times N$ 补零成 $P=2M,Q=2N$ 的图像 $f_p(x,y)$
- 频域中心化：$f_p(x,y)(-1)^{x+y}$
- DFT: $F(u,v)$
- 滤波函数 $H(u,v)$生成： $P\times Q$, 中心在 $(\frac{P}{2},\frac{Q}{2})$
- $G(u,v)=H(u,v)F(u,v)$
- 得到处理后函数：$g_p(x,y)=\text{Re}(\mathfrak{F}^{-1}(G(u,v)))(-1)^{x+y}$
- 提取 $g_p(x,y)$ 中左上角的 $M\times N$ 的图像
- 对应的空间滤波器：$g(x,y)=\mathfrak{F}^{-1}(H(u,v))$
- 构造空间滤波器来近似频率滤波器
- 零相角滤波器：$\mathcal{F}^{-1}(H(u,v)F(u,v))=\mathcal{F}^{-1}(H(u,v)R(u,v)+iH(u,v)C(u,v))$
平滑图像（低通滤波）
衰减高频通过低频，模糊图像
- 理想低通滤波器(ILPF)：$H(u,v)=[D(u,v)\leq D_0]$
- $D(u,v)=[(u-\frac{P}{2})^2+(v-\frac{Q}{2})^2]^{\frac{1}{2}}$
- 截止频率：$D_0$
- 振铃(ringring) 现象
- Butterworth 低通滤波器(BLPF)：$H(u,v)=\frac{1}{1+(D(u,v)/D_0)^{2n}}$
- $n=2$：平滑效果较好，且无振铃
- 高斯低通滤波器(GLPF)：$H(u,v)=e^{-D^2(u,v)/2D_0^2}$
锐化图像
- 高通滤波器：衰减低频通过高频，强化细节，对比度降低
- 略微平移保留对比度
- 理想高通滤波器
- 布特沃斯高通滤波器
- 高斯高通滤波器
- 频率域的拉普拉斯算子
- $H(u,v)=-4\pi^2(u^2+v^2)$
- $\nabla^2f(x,y)=\mathcal{F}^{-1}(H(u,v)F(u,v))$
- 图像锐化
- $g(x,y)=f(x,y)+c\nabla^2f(x,y)$
- $g(x,y)=\mathcal{F}^{-1}((1+4\pi^2D^2(u,v))F(u,v))$
- 量纲问题
- 非锐化掩蔽
- $g(x,y)=f(x,y)+kg_{\text{mask}(x,y)}$
- $g(x,y)=\mathcal{F}^{-1}((1+k(1-H_{\text{LP}(u,v)}))F(u,v))$
- 高频增强滤波：$\mathcal{F}^{-1}((k_1+k_2H_{\text{HP}(u,v)})F(u,v))$
- $1-H_{\text{LP}}=H_{\text{HP}}$
- 防止图像变暗
- 同态滤波
- 照射反射模型：$f(x,y)=i(x,y)r(x,y)$
- 照射：$0<i(x,y)<\infty$
- 反射：$0<r(x,y)<1$
- $z(x,y)=\ln f(x,y)=\ln i(x,y)+\ln r(x,y)$
- $Z(u,v)=F_i(u,v)+F_r(u,v)$
- 低频：照射分量
- 高频：反射分量
- 增强对比度，压缩灰度：$H(u,v)=(\gamma_H-\gamma_L)(1-e^{-c(D^2(u,v)/D_0^2)})+\gamma_L$
- 照射反射模型：$f(x,y)=i(x,y)r(x,y)$
选择性滤波
- 带阻/带通滤波器
- 理想带阻滤波器：$H_{\text{BR}}(u,v)=1-[D_0-\frac{W}{2}\leq D\leq D_0+\frac{W}{2}]$
- 理想带通滤波器：$H_{\text{BP}}=1-H_{\text{BR}}$
- 陷波滤波器（notch filters）
- $H_{\text{NR}}=\prod_{k=1}^QH_k(u,v)H_{-k}(u,v)$
- $H_k(u,v)$ 是中心在 $(u_k,v_k)$ 的高通滤波器
- 交互式改变，不进行补 0 填充
- 处理摩尔模式