計算機視覺(五):頻率域濾波基礎 阿新 • • 發佈:2018-11-09 一、數學預備知識 1. 傅立葉級數 二、基本概念 1. 頻率域 2. 複數 3. 尤拉公式 4. 傅立葉級數 5. 取樣 三、傅立葉變換 1. 一維連續傅立葉變換 2. 一維離散傅立葉變換 3. 二維連續傅立葉變換 4. 二維離散傅立葉變換 四、卷積 1. 定義 2. 一維卷積定理 3. 二維卷積定理 五、傅立葉譜和相角 六、頻率域的其他特性 一、數學預備知識 1. 傅立葉級數 設 f ( x ) f(x) f(x) 以 2 π 2\pi 2π 為週期,在 [ − π , π ] [-\pi, \pi] [−π,π] 絕對可積,則由公式 a n = 1 π ∫ − π π f ( x ) cos n x d x , n = 0 , 1 , 2 , . . . a_n = {1\over\pi}\int_{-\pi}^{\pi}f(x)\cos nx\ dx,\ \ \ \ n=0,1,2,... an=π1∫−ππf(x)cosnx dx, n=0,1,2,... b n = 1 π ∫ − π π f ( x ) sin n x d x , n = 1 , 2 , . . . b_n = {1\over\pi}\int_{-\pi}^{\pi}f(x)\sin nx\ dx,\ \ \ \ n=1,2,... bn=π1∫−ππf(x)sinnx dx, n=1,2,...決定的 a n a_n an、 b n b_n bn 稱為傅立葉係數,稱由這些 a n a_n an、 b n b_n bn 決定的三角級數 f ( x ) ~ a 0 2 + ∑ n = 1 ∞ ( a n cos n x + b n sin n x ) f(x) ~ {a_0\over 2} + \sum_{n=1}^\infty(a_n\cos nx + b_n\sin nx) f(x)~2a0+n=1∑∞(ancosnx+bnsinnx)為 f ( x ) f(x) f(x) 的傅立葉級數。 例1 設 f ( x ) f(x) f(x) 以 2 π 2\pi 2π 為週期,在 [ − π , π ] [-\pi, \pi] [−π,π] 上 f ( x ) = x f(x) = x f(x)=x,試求 f ( x ) f(x) f(x) 的傅立葉級數。 解 : f ( x ) 解:f(x) 解:f(x)的影象如下圖所示 由 f ( x ) f(x) f(x) 在 [ − π , π ] [-\pi, \pi] [−π,π] 是奇函式,知 f ( x ) cos n x f(x)\cos nx f(x)cosnx 在 [ − π , π ] [-\pi, \pi] [−π,π] 也是奇函式,因而 a n = 0 a_n = 0 an=0。 b 0 = 1 π ∫ − π π x sin n x d x = 2 π ∫ 0 π x sin n x d x b_0 = {1\over\pi}\int_{-\pi}^{\pi}x\sin nx\ dx = {2\over \pi}\int_0^\pi x\sin nx\ dx b0=π1∫−ππxsinnx dx=π2∫0πxsinnx dx = 2 n π [ − x cos n x ∣ 0 π + ∫ 0 π cos n x d x ] = ( − 1 ) n − 1 2 n = {2\over{n\pi}}[-x\cos nx |_0^\pi + \int_0^\pi \cos nx\ dx] = {{(-1)^{n-1}2}\over n} =nπ2[−xcosnx∣0π+∫0πcosnx dx]=n(−1)n−12故傅立葉級數為 f ( x ) ~ 2 ∑ n = 1 ∞ ( − 1 ) n − 1 sin n x n = 2 ( sin x − sin 2 x 2 + sin 3 x 3 − sin 4 x 4 + …   ) f(x) ~ 2\sum_{n=1}^\infty{{(-1)^{n-1}\sin nx}\over n} = 2(\sin x - {{\sin 2x}\over 2} + {{\sin 3x}\over 3} - {{\sin 4x}\over 4} + \dots) f(x)~2n=1∑∞n(−1)n−1sinnx=2(sinx−2sin2x+3 相關推薦 計算機視覺(五):頻率域濾波基礎 一、數學預備知識 1. 傅立葉級數 二、基本概念 1. 頻率域 2. 複數 3. 尤拉公式 計算機視覺(三):空間域濾波基礎 一、背景知識 1.空間域 2.運算元 3.變換函式 二、一些基本的灰度變換函式 1.影象反轉 計算機視覺(六):頻率域濾波器 一、濾波器 1. 基本濾波公式 2. 濾波步驟 3. 低通濾波器與高通濾波器 二、低通濾波器(平滑影象) 計算機視覺(四):空間域濾波器 一、平滑空間濾波器 1. 平滑線性濾波器(均值濾波器) 2. 統計排序(平滑非線性)濾波器 二、銳化空間濾波器 計算機視覺(五):使用SVM分類Cifar-10資料集 1 - 引言 之前我們使用了K-NN對Cifar-10資料集進行了圖片分類,正確率只有不到30%,但是還是比10%高的[手動滑稽],這次我們將學習使用SVM分類器來對Cafi-10資料集實現分類,但是正確率應該也不會很高 要想繼續提高正確率,就要對影象進行預處理和特徵的選取工作,而不 計算機視覺(二):直方圖均衡 一、灰度空間的直方圖均衡 1.直方圖 2.變換函式應滿足條件 3.變換函式 4.直方圖均衡 二、彩色空間的直方圖均衡 計算機視覺(一):基礎篇 一、光和電磁波譜 二、彩色模型 1.RGB彩色模型 2.HSV彩色模型 3.從RGB到HSV的彩色轉換 4.從HSV到RGB的彩色轉換 計算機視覺(七):特徵檢測/提取(feature detection/extraction) 關鍵點檢測和匹配流水線四個階段 一、背景知識 1. 影象特徵 2. 數字函式的一階導數和二階導數 3. 導數與影象特徵關係 二 計算機視覺(八):影象分割 一、閾值處理 1. 基礎知識 2. 基本的全域性閾值處理 3. 用Otsu方法的全域性閾值處理 4. 用影象平滑改善全域性閾值處理 5. 利用邊 計算機視覺(八):提取Cifar-10資料集的HOG、HSV特徵並使用神經網路進行分類 1 - 引言 之前我們都是將整張圖片輸入進行分類,要想進一步提升準確率,我們就必須提取出圖片更容易區分的特徵,再將這些特徵當做特徵向量進行分類。在之前我們學了一些常用的影象特徵,在這次實驗中,我們使用了兩種特徵 梯度方向直方圖(HOG) 顏色直方圖(HSV) 計算機視覺(七):構建兩層的神經網路來分類Cifar-10資料集 1 - 引言 之前我們學習了神經網路的理論知識,現在我們要自己搭建一個結構為如下圖所示的神經網路,對Cifar-10資料集進行分類 前向傳播比較簡單,就不在贅述 反向傳播需要注意的是,softmax的反向傳播與之前寫的softmax程式碼一樣。神經網路內部的反向傳播權重偏導就是前面 計算機視覺(六):使用Softmax分類Cifar-10資料集 1 - 引言 這次,我們將使用Softmax來分類Cifar-10,過程其實很之前使用的SVM過程差不多,主要區別是在於損失函式的不同,而且Softmax分類器輸出的結果是輸入樣本在不同類別上的概率值大小,Softmax分類器也叫多項Logistic迴歸 線性模型: 計算機視覺(四):使用K-NN分類器對CIFAR-10進行分類 1 - 引言 之前我們學習了KNN分類器的原理,現在讓我們將KNN分類器應用在計算機視覺中,學習如何使用這個演算法來進行圖片分類。 2 - 準備工作 建立專案結構如圖所示 在datasets檔案中下載資料集Cifar-10 k_nearest_neighbo 計算機視覺(三):目標檢測與識別 1 - 引言 目標檢測和識別,是計算機視覺最常見的挑戰之一。 目標檢測和識別的區別在於:目標檢測是用來確定影象的某個區域是否含有要識別的物件,而識別是程式識別物件的能力。識別通常只處理已檢測到物件的區域。 在計算機視覺中有很多目標檢測和識別的技術 梯度直方圖(Hist 計算機視覺(二):影象檢索以及基於影象描述符的搜尋 1 - 引言 在影象識別中,我們通常將圖片的特徵提取出來,並使用這些主要特徵來進行識別。 在OpenCV中提供了許多特徵檢測演算法,下面讓我們來學習一下怎麼使用這些演算法 2 - 特徵定義 粗略的講,特徵就是有意義的影象區域,該區域具有獨特性或易於識別性。因此,角點以及高密度區域 計算機視覺(一):人臉檢測和識別 1 - 引言 之前我們學習了機器學習和數字影象處理的相關知識,瞭解了基本的概念理論和OpenCV和TensorFlow框架的使用,現在我們可以結合這些知識與工具寫出屬於我們自己的計算機視覺專案,本文主要介紹瞭如何使用OpenCV提供的函式來構建一個人臉識別和檢測的應用 2 - Haa 三維計算機視覺(五)--特徵描述子 PPF 機器人視覺中有一項重要人物就是從場景中提取物體的位置,姿態。影象處理演算法藉助Deep Learning 的東風已經在影象的物體標記領域耍的飛起了。而從三維場景中提取物體還有待研究。目前已有的思路是先提取關鍵點,再使用各種區域性特徵描述子對關鍵點進行描述,最後與待檢 Go語言學習筆記(五):變數作用域 Go語言變數型別 Go語言變數型別分為三種:區域性變數,全域性變數,形式引數 型別 定義 描述 區域性變數 在函式內定義的變數 作用域只在函式體內 全域性變數 在函式外定義的變數 全域性變數可以在整個包甚至外部包(被匯出後) 頻率域濾波基礎之五(讀數字影象處理學習halcon) 選擇性濾波 在很多應用中,其中感興趣是處理指定的頻段或頻率矩形。第一類濾波器分別稱為帶阻濾波器或帶通濾波器。第二類濾波器稱為陷波濾波器。 1、帶阻濾波和帶通濾波 D(u,v)是距離頻率矩形中心的距離,D0是頻寬的徑向中心,W是頻寬。一個帶同濾波器可以用從低通濾波器得到高通 小程式設計(五):啟用函式sigmoid,tanh,relu,elu視覺化 說明:繪製啟用函式sigmoid,tanh,relu,elu,直觀上了解一下。# __author__ = 'czx' # coding=utf-8 import numpy as np from n