基于二维傅里叶变换和小波变换的图像稀疏表示
一、基于二维傅里叶变换的图像稀疏表示
傅里叶变换是数字图像处理技术的基础,其通过在时空域和频率域来回切换图像,对图像的信息特征进行提取和分析。一幅静止的数字图像可以看成是矩阵,因此,数字图像处理主要是对包含数据的矩阵进行处理。
经过对图像进行二维离散傅里叶变换可以得到它的频谱,进而得到我们所需要的特征。二维离散傅里叶变换及逆变换可以表示为:
其中
u=0,1,2,...,M-1
和v=0,1,2,...,N-1。其中变量u 和v 用于确定它们的频率,频域系统是由F(u,v)所张成的坐标系,其中u 和v 用做(频率)变量。空间域是由f(x,y)所张成的坐标系。
傅立叶频谱图上我们看到的明暗不一的亮点,其意义是指图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小(可以这么理解,图像中的低频部分指低梯度的点,高频部分相反)。一般来讲,梯度大则该点的亮度强,否则该点亮度弱。下图为cameraman 原图像及其频谱分布图:
cameraman 原图像大小为256*256,其傅里叶变换频谱图大小为256*256。 图像从频域到时域的变换过程称为重构过程,通过峰值信噪比(PSNR )对图像进行评价,公式如下:
PSNR=10*log10((2^n-1)^2/MSE)
MSE 是原图像与处理后图像之间均方误差,n 是每个采样值的比特数。
通过取不同的大系数个数观察图像变化,单独取第1个大系数时:
N=1
PSNR=12.2353
所取频谱系数对应图
单独取第9个系数时:
N=1
PSNR=6.3108
第9个频谱系数对应图
N=2
PSNR= 13.1553
所取频谱系数对应图
N=10
PSNR=15.4961
所取频谱系数对应图
N=50
PSNR=17.1111
所取频谱系数对应图
N=100
PSNR=17.9232
所取频谱系数对应图
N=1000
PSNR=21.5791
所取频谱系数对应图
N=5000
PSNR=25.5610
所取频谱系数对应图
N=20000
PSNR=31.6995
所取频谱系数对应图
从以上图片中可以分析得到,随着大系数的数量不断加大,PSNR 值逐步增加,重构图像的效果越好,在大系数到20000个时,图像效果已经较好。
二、 基于小波变换的图像稀疏表示
小波分析理论作为新的时频分析工具,在信号处理和图像处理中得到了很好的应用。
而一幅图像可以看成是一个矩阵,对图像处理就是对矩阵做变换,从而可以进行以下处理。
1、 首先读取图像; 2、 然后做小波变换;
3、 对变换系数做从大到小排序,取其第N 个数max_N; 4、 比max_N大的系数保留,比max_N小的系数置零; 5、 然后做逆变换,恢复图像。 仿真结果:
下图为cameraman 原图像与其一级小波变换:
以下图片为取不同大系数个数时的恢复图像及PSNR 值: 下图为单独取第1个大系数时的恢复图像:
N=1 PSNR=5.5834 下图为单独取第9个大系数时的恢复图像:
所取系数对应的小波变换图
N=1 PSNR=5.5833 以下图片为取多个大系数时的恢复图像:
所取系数对应的小波变换图
N=10 PSNR=5.5914 所取系数对应的小波变换图
N=100
PSNR= 5.6599
所取系数对应的小波变换图
N=1000 PSNR= 6.1578
所取系数对应的小波变换图
N=5000 PSNR= 8.7984
所取系数对应的小波变换图
N=10000
PSNR= 14.9772
所取系数对应的小波变换图
N=20000 PSNR= 35.2242 所取系数对应的小波变换图
通过选取不同的大系数个数,发现图像随着大系数个数的增加而变的清晰,并且PSNR 值也随着大系数个数在增加,这说明图像的逼近效果随着大系数个数的增加变得越来越好。
下图为cameraman 图像傅里叶变换与haar 小波变换大系数逼近的PSNR 值与大系数个数之间的关系对比图,其中蓝线表示傅里叶大系数个数与PSNR 的关系,红线表示haar 小波大系数个数与PSNR 的关系:
由上图可以看出,PSNR 值随着大系数个数增加而变大,重构图像随着大系数个数的增加而变的清晰,并且当大系数个数小于某一个界限时,傅里叶的重构效果明显要比haar 小波的好许多,但是随着大系数个数的增加,haar 小波的重构效果比傅里叶的要好许多。
基于二维傅里叶变换和小波变换的图像稀疏表示
一、基于二维傅里叶变换的图像稀疏表示
傅里叶变换是数字图像处理技术的基础,其通过在时空域和频率域来回切换图像,对图像的信息特征进行提取和分析。一幅静止的数字图像可以看成是矩阵,因此,数字图像处理主要是对包含数据的矩阵进行处理。
经过对图像进行二维离散傅里叶变换可以得到它的频谱,进而得到我们所需要的特征。二维离散傅里叶变换及逆变换可以表示为:
其中
u=0,1,2,...,M-1
和v=0,1,2,...,N-1。其中变量u 和v 用于确定它们的频率,频域系统是由F(u,v)所张成的坐标系,其中u 和v 用做(频率)变量。空间域是由f(x,y)所张成的坐标系。
傅立叶频谱图上我们看到的明暗不一的亮点,其意义是指图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小(可以这么理解,图像中的低频部分指低梯度的点,高频部分相反)。一般来讲,梯度大则该点的亮度强,否则该点亮度弱。下图为cameraman 原图像及其频谱分布图:
cameraman 原图像大小为256*256,其傅里叶变换频谱图大小为256*256。 图像从频域到时域的变换过程称为重构过程,通过峰值信噪比(PSNR )对图像进行评价,公式如下:
PSNR=10*log10((2^n-1)^2/MSE)
MSE 是原图像与处理后图像之间均方误差,n 是每个采样值的比特数。
通过取不同的大系数个数观察图像变化,单独取第1个大系数时:
N=1
PSNR=12.2353
所取频谱系数对应图
单独取第9个系数时:
N=1
PSNR=6.3108
第9个频谱系数对应图
N=2
PSNR= 13.1553
所取频谱系数对应图
N=10
PSNR=15.4961
所取频谱系数对应图
N=50
PSNR=17.1111
所取频谱系数对应图
N=100
PSNR=17.9232
所取频谱系数对应图
N=1000
PSNR=21.5791
所取频谱系数对应图
N=5000
PSNR=25.5610
所取频谱系数对应图
N=20000
PSNR=31.6995
所取频谱系数对应图
从以上图片中可以分析得到,随着大系数的数量不断加大,PSNR 值逐步增加,重构图像的效果越好,在大系数到20000个时,图像效果已经较好。
二、 基于小波变换的图像稀疏表示
小波分析理论作为新的时频分析工具,在信号处理和图像处理中得到了很好的应用。
而一幅图像可以看成是一个矩阵,对图像处理就是对矩阵做变换,从而可以进行以下处理。
1、 首先读取图像; 2、 然后做小波变换;
3、 对变换系数做从大到小排序,取其第N 个数max_N; 4、 比max_N大的系数保留,比max_N小的系数置零; 5、 然后做逆变换,恢复图像。 仿真结果:
下图为cameraman 原图像与其一级小波变换:
以下图片为取不同大系数个数时的恢复图像及PSNR 值: 下图为单独取第1个大系数时的恢复图像:
N=1 PSNR=5.5834 下图为单独取第9个大系数时的恢复图像:
所取系数对应的小波变换图
N=1 PSNR=5.5833 以下图片为取多个大系数时的恢复图像:
所取系数对应的小波变换图
N=10 PSNR=5.5914 所取系数对应的小波变换图
N=100
PSNR= 5.6599
所取系数对应的小波变换图
N=1000 PSNR= 6.1578
所取系数对应的小波变换图
N=5000 PSNR= 8.7984
所取系数对应的小波变换图
N=10000
PSNR= 14.9772
所取系数对应的小波变换图
N=20000 PSNR= 35.2242 所取系数对应的小波变换图
通过选取不同的大系数个数,发现图像随着大系数个数的增加而变的清晰,并且PSNR 值也随着大系数个数在增加,这说明图像的逼近效果随着大系数个数的增加变得越来越好。
下图为cameraman 图像傅里叶变换与haar 小波变换大系数逼近的PSNR 值与大系数个数之间的关系对比图,其中蓝线表示傅里叶大系数个数与PSNR 的关系,红线表示haar 小波大系数个数与PSNR 的关系:
由上图可以看出,PSNR 值随着大系数个数增加而变大,重构图像随着大系数个数的增加而变的清晰,并且当大系数个数小于某一个界限时,傅里叶的重构效果明显要比haar 小波的好许多,但是随着大系数个数的增加,haar 小波的重构效果比傅里叶的要好许多。