数字图像处理之低通滤波器实现原理及方法（Matlab)

1.傅里叶变换与频域

在之前的文中，我们已经进行过一些基本的图像处理。比如，使用低通滤波可以将图像模糊，也有些许降噪的作用。这些都是在空间域内进行的滤波处理，这个处理主要是依靠卷积来进行计算的。首先，从连续的一维卷积入手，如下所示。

将上式进行傅里叶变换，可以得到如下结果。

从这个式子，我们可以得到一个重要的结论。也就是，函数与卷积的傅里叶变换所得到的结果，是函数与的傅里叶变换与的乘积。再将其总结得简单易懂一些，有如下结论。

在将其扩展到二维的形况下，假设尺寸为MxN的图像，如下关系是成立的。

其实到这，基本的原理就明了的。我们所看到的图像，均为空间域内的表现形式，我们无法辨识出频域内的图像。要进行频域内的滤波器处理，首先就需要进行傅里叶变换，然后直接进行滤波处理，最后再用反傅里叶变换倒回到空间域内。

到此，已经可以开始空间域内的滤波处理了。但是，还有一点需要注意的地方。使用某个一维信号来举例子，一维信号的傅里叶变换是以2π为周期的函数。所以，我们常常使用的范围[-π,π]来表示这个信号的傅里叶变换，如下所示。

这样做的好处是，靠近0的成分就是低频，靠近-π与π的成分就表示高频。而对于图像而言，在Matlab中，我们使用fft2()这个函数来求取图像的傅里叶变换。

[plain]view plaincopy

正在上传…重新上传取消正在上传…重新上传取消

g=fft2(f);

上面这个代码求取的，其实是范围[0,π]内的傅里叶变换。为了方便理解，下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围（左）。

很显然，这并不是希望的范围，下面这个代码可以求取[0,2π]内的傅里叶变换。

[plain]view plaincopy

正在上传…重新上传取消正在上传…重新上传取消

P=2*M;Q=2*N;F=fft2(f,P,Q);

下图画出了本行代码所求取的图像的傅里叶变换的范围（右）和与其等效的一维傅里叶变换的范围（左）。所得到的图像F(u,v)的尺寸为PxQ。

我们需要对其移动一下，如下图所示，我们需要的是粉色范围的区域。

下面，从数学上分析一下，如何获得这个部分的频谱。对于傅里叶变换，有如下性质。

这个特性称为平移特性，粉色部分的频谱，将带入上式，我们可以得到如下式子。

为次，我们已经得到了粉色范围的频谱。越靠近傅里叶频谱图像中间的成分，代表了低频成分。其Matlab代码如下所示。

[plain]view plaincopy

正在上传…重新上传取消正在上传…重新上传取消

[M,N]=size(f);P=2*M;Q=2*N;fc=zeros(M,N);forx=1:1:Mfory=1:1:Nfc(x,y)=f(x,y)*(-1)^(x+y);endendF=fft2(fc,P,Q);

代码所得到的结果，如下图所示。

接下来，我们总结一下频域滤波的步骤：

①：先将图像做频域内的水平移动，然后求原图像f(x,y)的DFT，得到其图像的傅里叶谱F(u,v)。

②：与频域滤波器做乘积，

③：求取G(u,v)的IDFT，然后再将图像做频域内的水平移动（移动回去），其结果可能存在寄生的虚数，此时忽略即可。

④：这里使用ifft2函数进行IDFT变换，得到的图像的尺寸为PxQ。切取左上角的MxN的图像，就能得到结果了。

2.低通滤波器

2.1理想的低通滤波器

其中，D0表示通带的半径。D(u,v)的计算方式也就是两点间的距离，很简单就能得到。

使用低通滤波器所得到的结果如下所示。低通滤波器滤除了高频成分，所以使得图像模糊。由于理想低通滤波器的过度特性过于急峻，所以会产生了振铃现象。

2.2巴特沃斯低通滤波器

同样的，D0表示通带的半径，n表示的是巴特沃斯滤波器的次数。随着次数的增加，振铃现象会越来越明显。

2.3高斯低通滤波器

D0表示通带的半径。高斯滤波器的过度特性非常平坦，因此是不会产生振铃现象的。

3.实现代码

来自CODE的代码片

Butterworth_Lowpass_Filters.m

来自CODE的代码片

Gaussian_Lowpass_Filters.m