Opencv进行图像进行DFT变换和相关滤波
发布时间
阅读量：
阅读量
我的专业是Tracking技术，在对处理速度有较高的要求的情况下。后来了解到傅里叶变换是一种非常有用的工具，在这里得到了应用。于是开始深入学习这一技术。
基础： 最关键的一点就是将时域中的信息转换到频域中。这样时域中的卷积操作就对应到频域中的乘积运算！
当我们分析图像信号的频率特性时, 考虑一幅图像, 直流分量表示的是预期平均灰度值, 而低频分量则对应于图像中广袤背景区域和平缓变化的部分; 高频分量则对应于边界特征、细节特征以及颗粒噪声等细节信息. 进而我们可以分别针对这些不同频率成分进行相应的锐化与模糊处理: 提出其中的高频分量并进行傅里叶逆变换得到的就是锐化的结果; 同样地, 提出其中的低频分量并进行傅里叶逆变换得到的就是模糊的结果
难以理解的关键点在于：任何局部频域区域均对应于完整的原始图像范围而非相应的局部区域。
在频域中每个点都代表了整个图像的状态信息。从时间和频率的角度来看：当一个人完成一段单位路程所需的时间为100秒时，则其对应的速度即为每小时一百公里（即约为 \frac{1}{6} 公里/分钟）。这一速度值明显反映了全局性的特征而非局部区域。我们再通过相关公式进行验证：
还没有任何评论哟~