欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Python 实现图像快速傅里叶变换和离散余弦变换

程序员文章站 2022-07-14 22:19:06
...

图像的正交变换在数字图像的处理与分析中起着很重要的作用,被广泛应用于图像增强、去噪、压缩编码等众多领域。本文手工实现了二维离散傅里叶变换二维离散余弦变换算法,并在多个图像样本上进行测试,以探究二者的变换效果。

1. 傅里叶变换

实验原理

对一幅图像进行离散傅里叶变换(DFT),可以得到图像信号的傅里叶频谱。二维 DFT 的变换及逆变换公式如下:

Python 实现图像快速傅里叶变换和离散余弦变换

DFT 尽管解决了频域离散化的问题,但运算量太大。从公式中可以看到,有两个嵌套的求和符号,显然直接计算的复杂度为 O(n2)O(n^2) 。为了加快傅里叶变换的运算速度,后人提出快速傅里叶变换(FFT),即蝶形算法,将计算 DFT 的复杂度降低到了 O(nlogn)O(n\log n)

FFT 利用傅里叶变换的数学性质,采用分治的思想,将一个 NN 点的 FFT,变成两个 N/2N/2 点的 FFT。以一维 FFT 为例,可以表示如下:

Python 实现图像快速傅里叶变换和离散余弦变换Python 实现图像快速傅里叶变换和离散余弦变换

其中,G(k)G(k)x(k)x(k) 的偶数点的 N/2N/2 点的 FFT,H(k)H(k)x(k)x(k) 的奇数点的 N/2N/2 点的 FFT。

这样,通过将原问题不断分解为两个一半规模的子问题,然后计算相应的蝶形运算单元,最终得以完成整个 FFT。

算法步骤

本次实验中,一维 FFT 采用递归实现,且仅支持长度为 2 的整数幂的情况。

算法步骤如下:

  1. 检查图像的尺寸,如果不是 2 的整数幂则直接退出。
  2. 对图像的灰度值进行归一化。
  3. 对图像的每一行执行一维 FFT,并保存为中间结果。
  4. 对上一步结果中的每一列执行一维 FFT,返回变换结果。
  5. 将零频分量移到频谱中心,并求绝对值进行可视化。
  6. 对中心化后的结果进行对数变换,以改善视觉效果。

主要代码

一维 FFT

def fft(x):
    n = len(x)
    if n == 2:
        return [x[0] + x[1], x[0] - x[1]]
    
    G = fft(x[::2])
    H = fft(x[1::2])
    W = np.exp(-2j * np.pi * np.arange(n//2) / n)
    WH = W * H
    X = np.concatenate([G + WH, G - WH])
    return X

二维 FFT

def fft2(img):
    h, w = img.shape
    if ((h-1) & h) or ((w-1) & w):
        print('Image size not a power of 2')
        return img
    
    img = normalize(img)
    res = np.zeros([h, w], 'complex128')
    for i in range(h):
        res[i, :] = fft(img[i, :])
    for j in range(w):
        res[:, j] = fft(res[:, j])
    return res

零频分量中心化

def fftshift(img):
    # swap the first and third quadrants, and the second and fourth quadrants
    h, w = img.shape
    h_mid, w_mid = h//2, w//2
    res = np.zeros([h, w], 'complex128')
    res[:h_mid, :w_mid] = img[h_mid:, w_mid:]
    res[:h_mid, w_mid:] = img[h_mid:, :w_mid]
    res[h_mid:, :w_mid] = img[:h_mid, w_mid:]
    res[h_mid:, w_mid:] = img[:h_mid, :w_mid]
    return res

运行结果

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

2. 余弦变换

实验原理

当一个函数为偶函数时,其傅立叶变换的虚部为零,因而不需要计算,只计算余弦项变换,这就是余弦变换。离散余弦变换(DCT)的变换核为实数的余弦函数,因而计算速度比变换核为指数的 DFT 要快得多。

一维离散余弦变换与离散傅里叶变换具有相似性,对离散傅里叶变换进行下式的修改:

Python 实现图像快速傅里叶变换和离散余弦变换

式中

Python 实现图像快速傅里叶变换和离散余弦变换

由上式可见,x=02M1fe(x)ej2uxπ2M\sum\limits_{x=0}^{2M-1}f_e(x)e^{\frac{-j2ux\pi}{2M}}2M2M 个点的傅里叶变换,因此在做离散余弦变换时,可将其拓展为 2M2M 个点,然后对其做离散傅里叶变换,取傅里叶变换的实部就是所要的离散余弦变换。

算法步骤

基于上述原理,二维 DCT 的实现重用了上文中的一维 FFT 函数,并根据公式做了一些修改。

算法步骤如下:

  1. 检查图像的尺寸,如果不是 2 的整数幂则直接退出。
  2. 对图像的灰度值进行归一化。
  3. 对图像的每一行进行延拓,执行一维 FFT 后取实部,乘以公式中的系数,并保存为中间结果。
  4. 对上一步结果中的每一列进行延拓,执行一维 FFT 后取实部,乘以公式中的系数,返回变换结果。
  5. 对结果求绝对值,并进行对数变换,以改善视觉效果。

主要代码

二维 DCT

def dct2(img):
    h, w = img.shape
    if ((h-1) & h) or ((w-1) & w):
        print('Image size not a power of 2')
        return img
    
    img = normalize(img)
    res = np.zeros([h, w], 'complex128')
    for i in range(h):
        res[i, :] = fft(np.concatenate([img[i, :], np.zeros(w)]))[:w]
        res[i, :] = np.real(res[i, :]) * np.sqrt(2 / w)
        res[i, 0] /= np.sqrt(2)
    for j in range(w):
        res[:, j] = fft(np.concatenate([res[:, j], np.zeros(h)]))[:h]
        res[:, j] = np.real(res[:, j]) * np.sqrt(2 / h)
        res[0, j] /= np.sqrt(2)
    return res

运行结果

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

Python 实现图像快速傅里叶变换和离散余弦变换

完整源码请见 GitHub 仓库