首先,没有名为ifftshow
的命令。其次,你没有进行任何滤波处理。你所做的只是可视化图像的频谱。
在可视化频谱方面,你当前的方法非常危险。首先,你正在可视化每个空间频率分量上的系数,其本质上是复值。如果你想以对大多数人有意义的方式可视化频谱,最好查看幅度或相位。然而,由于这是一个巴特沃斯滤波器,所以最好将其应用于滤波器的幅度。
你可以使用abs
函数来获取频谱的幅度。即使这样做,如果你直接在幅度上使用imshow
,你会得到一个几乎除了中心外的所有位置都为零的可视化图像。这是因为DC分量非常大,其余频谱与之相比很小。
让我举个例子。这是图像处理工具箱中的摄影师图像:
im = imread('cameraman.tif');
figure;
imshow(im);
![在此输入图片描述](https://istack.dev59.com/1srOA.webp)
现在,让我们可视化频谱,并确保直流分量位于图像中心 - 您已经使用fftshift
完成了此操作。 还应该将图像转换为double
以确保数据的最佳精度。 此外,请确保应用abs
来查找幅度:
fftim = fftshift(fft2(double(im)));
mag = abs(fftim);
figure;
imshow(mag, []);
![输入图像描述](https://istack.dev59.com/dNeZp.webp)
正如您所看到的,由于我提到的原因,它并不是非常有用。更好地可视化图像的谱通常是将对数转换应用于谱。如果您想去除均值或平均值以便动态范围更适合显示,这也很有用。换句话说,您将添加1到幅度,然后对幅度应用对数,使得较高值可以逐渐减小。使用哪个基数并不重要,因此我将使用自然对数来封装log
命令:
figure;
imshow(log(1 + mag), []);
![enter image description here](https://istack.dev59.com/KGHoy.webp)
现在好多了。现在我们将进入您的过滤机制。 您的Butterworth过滤器略有不正确。 坐标的meshgrid
略有不对。 结束间隔处的-1
操作需要移到外面:
[x y]=meshgrid(-floor(w/2):floor(w/2)-1,-floor(h/2):floor(h/2)-1);
记住,您正在定义关于图像中心的对称区间,而您最初的结果是不正确的。我还要提到这看起来像是一个高通滤波器,所以输出应该类似于边缘检测。另外,Butterworth高通滤波器的定义是不正确的。在频域中,滤波器的正确定义为:
![enter image description here](https://istack.dev59.com/HwF8N.webp)
D(u,v)
是图像在频域中心的距离,Do
是截止距离,而 B
是控制比例因子,控制截止距离处所需增益是多少。n
是滤波器的阶数。在您的情况下,Do
为 d = 50
。在实践中,B = sqrt(2) - 1
,以便在截止距离处,D(u,v) = 1 / sqrt(2) = 0.707
,这是电子电路滤波器中经常看到的3 dB截止频率。有时你会看到 B
被设置为1以简化计算,但将其设置为 B = sqrt(2) - 1
是很常见的。
然而,您当前的代码并没有进行任何过滤。要在频域中进行滤波,只需将图像的频谱与滤波器本身的频谱相乘即可。这等效于空间域中的卷积。完成后,只需撤消在图像上执行的fftshift,取逆FFT,然后消除由于数值不精确导致的任何虚部。此外,让我们转换为uint8
以确保我们尊重原始图像类型。
可以这样做:
n=1;
d=50;
h=size(im,1);
w=size(im,2);
fftim = fftshift(fft2(double(im)));
[x y]=meshgrid(-floor(w/2):floor(w/2)-1,-floor(h/2):floor(h/2)-1);
B = sqrt(2) - 1;
D = sqrt(x.^2 + y.^2);
hhp = 1 ./ (1 + B * ((d ./ D).^(2 * n)));
out_spec_centre = fftim .* hhp;
out_spec = ifftshift(out_spec_centre);
out = uint8(real(ifft2(out_spec)));
imshow(out);
如果您想查看滤波后的频谱是什么样子,只需执行以下操作:
figure;
imshow(log(1 + abs(out_spec_centre)), []);
我们得到:
![enter image description here](https://istack.dev59.com/IacwI.webp)
这很有道理。您可以看到,在频谱的中心,与频谱的外缘相比稍微更暗一些。这是因为使用高通Butterworth滤波器时,您正在放大更高频率的项,并且它被可视化为更高的强度。
现在, out
包含您的过滤图像,我们最终得到:
![enter image description here](https://istack.dev59.com/1KXjB.webp)
看起来结果不错!然而,天真地将图像转换为 uint8
将负值截断为0,将大于255的正值截断为255。因为这是边缘检测,您想要检测负和正的变化...所以一个好主意是标准化输出,使其范围为[0,1]
,然后在乘以255之后再进行类型转换为uint8
。这样,图像中没有变化被可视化为灰色,负变化被可视化为黑色,正变化被可视化为白色....所以您可以这样做:
n=1;
d=50;
h=size(im,1);
w=size(im,2);
fftim = fftshift(fft2(double(im)));
[x y]=meshgrid(-floor(w/2):floor(w/2)-1,-floor(h/2):floor(h/2)-1);
B = sqrt(2) - 1;
D = sqrt(x.^2 + y.^2);
hhp = 1 ./ (1 + B * ((d ./ D).^(2 * n)));
out_spec_centre = fftim .* hhp;
out_spec = ifftshift(out_spec_centre);
out = real(ifft2(out_spec));
out = (out - min(out(:))) / (max(out(:)) - min(out(:)));
out = uint8(255*out);
imshow(out);
我们得到了这个:
![输入图片描述](https://istack.dev59.com/ASWci.webp)
D = (x.^2 + y.^2).^(0.5);
,而是使用函数sqrt
。 - Jonathan Hsqrt()
函数。否则,这将调用通用的幂函数,并且不如使用sqrt
精确。 - rayryeng