实验三数字图像的离散傅里叶变换

电子科技大学学生姓名：学号：指导教师：彭真明日期：2014年4月12日实验报告一、实验名称：数字图像的离散傅里叶变换二、实验目的：1.了解数字图像的各种正交变换的概念和用途。2.掌握各种数字图像变换的方法和原理。3.深入理解离散信号采样频率、奈奎斯特频率及频率分辨率等基本概念，弄清它们之间的相互关系。弄清离散傅里叶变换（DFT）中频率泄露的原因，以及如何尽量减少频率泄露影响的途径。4.熟练掌握离DFT、DCT的原理、方法和实现流程，熟悉两种变换的性质，并能对图像DFT及DCT的结果进行必要解释。5.熟悉和掌握利用MATLAB工具进行数字图像FFT及DCT的基本步骤、MATLAB函数使用及具体变换的处理流程。6.能熟练应用MATLAB工具对数字图像进行FFT及DCT处理，并能根据需要进行必要的频谱分析和可视化显示。三、实验原理：傅里叶变换是信号处理领域中一个重要里程碑，它在图像处理技术中同样起着十分重要的作用，被广泛应用于图像提取、图像增强与恢复、噪声控制、纹理分析等多个方面。1.离散傅里叶变换(DFT)要把傅里叶变换应用到数字图像处理中，就必须处理离散数据，离散傅里叶变换的提出使得这种数学方法能够和计算机技术联系起来。正变换：逆变换：幅度：2122),(),(),(vuIvuRvuF相位角：)],(),(arctan[),(vuRvuIvu功率谱：2.快速傅里叶变换(FFT)离散傅里叶变换运算量巨大，计算时间长，其运算次数正比于N^2，当N比较大的时候，运算时间更是迅速增长。而快速傅里叶变换的提出将使傅里叶变换的复杂度1010)//(2),(1),(MxNyNvyMuxjeyxfMNvuF1010)//(2),(),(MxNyNvyMuxjevuFyxf),(),(),(),(222vuIvuRvuFvuP由N^2下降到NlgN/lg2,当N很大时计算量可大大减少。快速傅里叶变换需要进行基2或者基4的蝶形运算，算法上面较离散傅里叶变换困难。3.离散余弦变换(DCT)为FT的特殊形式，被展开的函数是实偶函数的傅氏变换，即只有余弦项。变换核固定，利于硬件实现。具有可分离特性，一次二维变换可分解为两次一维变换。正变换：逆变换：其中：四、实验步骤：1.1D离散信号FFT计算及频率分布曲线绘制(1)打开计算机，进入matlab程序；(2)画出程序设计流程图；(3)在matlab中输入代码输入所需的1D连续信号x，并设置采样频率；(4)对信号x进行离散化，并分别做128点和1024点的FFT变换；并将中心平移；(5)在同一窗口作出全部采样频率fs范围、频谱中心化后及去负频3种方式的幅值随频率变化的分布图；(6)记录下图像，并对结果进行分析。2.模型图像的2DFFT实验(1)画出程序设计流程图；(2)在matlab中输入代码生成两幅数字图像；(3)分别进行DFT变换，并做频谱中心化处理；(4)在同一窗口作出生成的及DFT变换后的2D频谱图；(5)记录下图像，并对结果进行分析。3.任选图像的2DFFT实验(1)画出程序设计流程图；(2)在matlab中输入代码读取一幅大小合适的灰度图像；(3)分别进行64×64、128×128、256×256FFT变换，并做频谱中心化处理；(4)画出变换前的原始图像及其频谱的二维平面图；(5)显示64×64的3DFFT图像；(6)记录图像，并对结果进行分析。五、程序框图NyvNxuyxfvcucvuFNxNyc212cos212cos,)()(,101010102)12(cos2)12(cos),()()(),(NuNvcNvyNuxFycxcyxf11201)(NkNkNkc六、程序源代码：1.1D离散信号FFT计算及频率分布曲线绘制clf;clc;clearall;fs=100;N1=128;N2=1024;%采样频率和数据点数n1=0:N1-1;n2=0:N2-1;t1=n1/fs;t2=n2/fs;%时间序列x1=0.5*sin(30*pi*t1)+2*sin(80*pi*t1);%输入信号x2=0.5*sin(30*pi*t2)+2*sin(80*pi*t2);%输入信号y1=fft(x1,N1);y2=fft(x2,N2);%对信号FFTmag1=abs(y1);mag2=abs(y2);%求得FFT幅值y1=fftshift(y1);y2=fftshift(y2);%频谱原点对称mag3=abs(y1);mag4=abs(y2);%求取FFT振幅f1=n1*fs/N1;f2=n2*fs/N2;%频率采样序列subplot(3,2,1),plot(f1,mag1);%随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128,全部频率');gridon;subplot(3,2,2),plot(f2,mag2);%随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024,全部频率');gridon;f3=f1-f1(N1/2);subplot(3,2,3),plot(f3,mag3);%随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=128，对称频谱');gridon;f4=f2-f2(N2/2);subplot(3,2,4),plot(f4,mag4);%随频率变化的振幅xlabel('频率/Hz');ylabel('振幅');title('N=1024，对称频谱');gridon;subplot(3,2,5),plot(f1(1:N1/2),mag1(1:N1/2));%绘制有效频谱xlabel('频率/Hz');ylabel('振幅');title('N=128，有效频率');gridon;subplot(3,2,6),plot(f2(1:N2/2),mag2(1:N2/2));%绘制有效频谱xlabel('频率/Hz');ylabel('振幅');title('N=1024，有效频率');gridon;2.模型图像的2DFFT实验clf,clc,clearall;f1=zeros(50,50);f2=zeros(50,50);f1(11:40,11:40)=1;f2(21:30,21:30)=1;subplot(2,2,1),imshow(f1);subplot(2,2,2),imshow(f2);F1=fft2(double(f1));F1=fftshift(F1);F2=fft2(double(f2));F2=fftshift(F2);ref1=real(F1),imf1=imag(F1);A1=sqrt(ref1.^2+imf1.^2);F3=A1;ref2=real(F2),imf2=imag(F2);A2=sqrt(ref2.^2+imf2.^2);F4=A2;subplot(2,2,3),imshow(F3);subplot(2,2,4),imshow(F4);3.任选图像的2DFFT实验clf,clc,clearall;f=imread('C:\Users\Cancer_5kai\Desktop\barbara.jpg');f1=fft2(f,64,64);f2=fftshift(f1);A=double(real(f2));B=double(imag(f2));C=sqrt(A.^2+B.^2);f64=(C/max(max(C)))*255;f1=fft2(f,128,128);f2=fftshift(f1);A=double(real(f2));B=double(imag(f2));C=sqrt(A.^2+B.^2);f128=(C/max(max(C)))*255;f1=fft2(f,256,256);f2=fftshift(f1);A=double(real(f2));B=double(imag(f2));C=sqrt(A.^2+B.^2);f256=(C/max(max(C)))*255;subplot(2,2,1),imshow(f);title('原始图像');subplot(2,2,2),imshow(f64);title('64×64的2D频谱图');subplot(2,2,3),imshow(f128);title('128×128的2D频谱图');subplot(2,2,4),imshow(f256);title('256×256的2D频谱图');figure[x,y]=meshgrid(-31:32,-31:32);surfl(x,y,f64);title('64×64的3D频谱图')gridon七、实验结果及分析：1.1D离散信号FFT计算及频率分布曲线绘制下图中，左侧为128点傅里叶变换的频谱图，右侧为1024点的傅里叶变换频谱图。可以看出右侧的傅里叶变换后频谱谱线宽度较窄，所得出的频率更为精准。2.模型图像的2DFFT实验上图上方为两幅原图，下方为其分别进过FFT后得到的频谱图。从图中可以看出。频谱分布满足平移的性质，所看到的图像为将频谱中心平移后的图像。对比左右两幅图像还可以看出满足尺度变换的性质。左面的图高灰度区域多，傅里叶变换后频谱谱线宽度较窄。右面的图高灰度区域相对上图少，傅里叶变换后谱线较宽。3.任选图像的2DFFT实验上图中，左上为原图，右上为64X64FFT变换频谱图，左下为128X128FFT变换频谱图，右下为256X256FFT变换频谱图。从上图中可以看出不同采样率的FFT变换对频谱图照成的影响。显然当采样率较高时，从右下图可以看出频谱精细度越高。当采样率较低时，从右上图可以看出频谱图较为模糊。从上图还可以得出，当图像较小时，较低的采样率将采不到样。得到的频谱图像为黑色。故在做FFT变换的时候，合理的根据图像大小选择采样率十分重要。下图为64X64FFT变换的3D图像。八、思考题1.分别阐述和解释什么叫信号的采样频率、奈奎斯特频率、采样时间及频率分辨率？答：采样频率：每秒从连续信号中提取并组成离散信号的采样个数；奈奎斯特频率：是离散信号系统采样频率的一半；采样时间：是采样之间的时间间隔，是采样频率的倒数；频率分辨率：是指将两个相邻谱峰分开的能力。2.根据所学知识，简要叙述离散傅立叶变换（DFT）在数字图像处理中的主要用途。答：傅里叶变换时数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被誉为描述图像信息的第二种语言，广泛应用于图像变换，图像编码与压缩，图像分割，图像重建中。九、实验结论1.对图像进行FFT变换后可以得到相应的频谱函数，并可以画出频谱图。2.从频谱图的平移后的显示体现了FFT变换的平移特性和尺度特性。3.通过设置FFT函数，可以控制FFT变换的采样率，得到不同图像。4.可以将2D图像的FFT频谱图进行3D显示。以显示其灰度的空间信息。十、总结及心得体会1.了解了各种图像正交变换的作用和用途。2.通过实验了解和掌握了利用快速傅立叶变换FFT和正交余弦变换的对图像方法和原理。3.通过实验，深入理解了FFT变换和DCT变换的性质。4.熟悉和掌握了利用Matlab工具进行图像傅立叶变换及离散余弦变换的基本步骤，Matlab函数使用及具体变换处理流程。5.掌握了对处理后的图像能根据需要进行必要的频谱分析和可视化显示。6.RGB图像需要灰度化处理。7.对像素进行处理时，需要转换类型为双精度型；以免因数据类型问题造成计算精度误差。8.对图像进行64X64FFT变换时由于采样率比较低，因此在选取图像时应注意图像大小，不能太小，否则将得不到显示结果。