用于数字图像处理技术的综合虚拟仿真实验平台(2)

为什么要提及渐变？因为实际上，图像的二维傅立叶变换以获得频谱图是图像梯度的分布图. 当然，即使频率不偏移，在频谱图上的点与图像上的点也不存在一一对应的关系. 不. 我们在傅立叶光谱图上看到的亮和暗高光，实际上是图像上一个点与相邻点之间的差异强度，即渐变的大小，即渐变的大小. 点的频率（可以理解，图像中的图像低频部分是指低梯度的点，高频部分是相反的）. 一般来说，如果梯度较大，则该点的亮度较强，否则该点的亮度较弱. 这样，通过观察傅立叶变换的频谱图（也称为功率图），我们首先可以看到图像的能量分布，如果频谱图中存在更多暗点，则实际图像相对较软（因为点和邻居域差不大，且梯度相对较小）. 相反，如果光谱图中有很多亮点，则实际图像必须清晰图像处理技术手册，边界清晰，并且边界两侧的像素明显不同. 将频谱移动到原点后，可以看出图像的频率分布以原点为圆心对称分布. 除了清楚地看到图像的频率分布外，将频谱移动到圆心还具有以下优点: 可以分离周期性干扰信号，例如正弦波干扰，一对正弦波干扰，频率偏移到原点在频谱图上可以看出，除了中心以外，还有一组对称分布的亮点，其中心位于某个点上. 该集合是由干扰噪声产生的. 此时，通过在该位置放置带阻滤波器来消除干扰是很直观的.

（2）基于离散余弦变换的图像压缩算法

从傅立叶变换的性质来看，当函数为偶函数时，傅立叶变换的虚部为零，因此不需要计算，仅计算余弦变换. 这是余弦变换，因此，余弦变换是傅立叶变换的特例，余弦变换是简化傅立叶变换的重要方法. 离散余弦变换（DCT）具有很好的能量集中性能，因此已广泛用于数字图像处理和其他领域，它现已成为JPEG，MPEG，H.26X等许多国际标准的核心，并且仍在最新的MPEG21标准. 采用DCT技术. 在图像和视频压缩中，二维DCT通常将图像分为8×8点子块，因此研究二维8×8 DCT / IDCT的快速算法更有意义. 由于DCT / IDCT的计算量很大，因此在某些高速或实时情况下能否快速实现DCT / IDCT是一个关键因素. 目前，关于2D 8×8 DCT / IDCT的快速算法已经进行了大量的研究工作. 主要功能是:

（1）视频图像在变换域中比在空间域中简单.

（2）大大降低了视频图像的相关性. 信号的能量主要集中在几个变换系数上. 量化和熵编码的使用可以有效地压缩其数据.

（3）具有很强的抗干扰能力，与预测编码相比，传输过程中的误码对图像质量的影响要小得多. 通常，对于高质量图像，DMCP需要通道错误率，而变换编码仅需要通道错误率.

（3）基于小波变换的图像压缩算法

1989年，S.G. Mallat使用小波变换来描述多分辨率图像. 该过程称为小波分解. 这是傅立叶变换后图像压缩的另一个里程碑. 它解决了傅立叶变换无法解决的许多问题. 像傅立叶变换一样，小波变换的基本思想也将图像信号转换为基函数簇的加权和，并且该簇基函数由基本函数的平移和扩展形成. 作为正交变换，小波变换不会产生能量损失，也就是说，小波变换后图像的目标处理是实现压缩的关键. 通过小波分解获得的水平和垂直细节图像的高频分量系数大部分为零，并且可以使用非均匀量化. 精细量化用于出现概率较高的系数，而粗量化用于发生概率较低的系数. 由于人眼对高频分量不敏感，因此可以使用粗略的量化或丢弃. 为了进一步提高压缩率，可以使用行程编码或霍夫曼编码来压缩图像. 小波变换是可逆的，通过重建算法可以完全恢复图像数据. 小波变换图像压缩的原理: 用于图像编码的小波变换的基本思想是根据Mallat塔式快速小波变换算法对图像进行多分辨率分解. 具体过程如下: 首先对图像进行多级小波分解，然后对每一层的小波系数进行量化，再对量化后的系数进行编码. 小波图像压缩是当前图像压缩的热点之一，如上所述，已经形成了基于小波变换的国际压缩标准，如MPEG-4标准和JPEG2000标准.

（4）基于其他压缩变换的图像压缩算法

除了上述常用的图像压缩方法外，还有: NNT（数论转换）压缩，基于神经网络的压缩方法，希伯特扫描图像压缩方法，自适应多相子带压缩方法等. 简要介绍了近年来用于任意形状的纹理编码的几种算法. （1）形状自适应DCT（SA-DCT）算法SA-DCT将任意形状的视觉对象的图像块分为每个块DCT变换，实现了类似于形状自适应Gilge DCT变换的有效变换，但是比Gilge DCT转换复杂. 但是，SA-DCT也有缺点. 它将像素推向与矩形边框的一侧齐平，因此可能会丢失一些空间相关性. 这样，列DCT变换将导致更大的失真. （2）Egger方法Egger等. 针对任意形状的物体提出了一种小波变换方案. 在这种方案中，首先将视觉对象的行像素推向与边界框的右边界齐平，然后对每行的有用像素执行小波变换，然后在另一个方向上执行小波变换. 该方案充分利用了小波变换的局部特征. 但是，该方案也存在问题，例如，可能使重要的高频部分与边界部分合并，不能保证分配系数彼此具有相同的相位，并且可能导致第二方向小波的不连续性. 分解. （3）形状自适应离散小波变换（SA-DWT）. 提出了一种新颖的任意形状物体编码，SA-DWT编码. 该技术包括SA-DWT和零树熵编码扩展（ZTE），以及嵌入式小波编码（EZW）. SA-DWT的特征是: SA-DWT之后的系数数与原始任意形状的视觉对象的像素数相同；小波变换子带之间的空间相关性，区域属性和自相似性，可以在SA-DWT中很好地表达. 对于矩形区域，SA-DWT与传统的小波变换相同. 新的多媒体编码标准MPEG-4已采用SA-DWT编码技术来对任意形状的静态纹理进行编码.

（5）傅立叶变换和小波变换的比较

傅里叶分析是一种有效的方法，可以准确地分析频域中的信号. 为了解决傅立叶分析在时域中的缺点，提出了小波方法，并且可以在时频域中对信号进行局部分析. 方法. 用外行的话来说，傅立叶可以将时域和频域连接起来，但是规模没有变化. 另外，它没有用于将频域反转为对应于时域中某处的相应处理能力. 缺点. 换句话说，它可以告诉您信号中的哪个频率更高，但是它不能确切告诉您信号的频率有多高，哪个位置较高，以及为什么它是如此之高，但却无法立即告诉您. 小波是不同的. 它具有多尺度特性，可以将频率强度与位置（时间）联系起来. 在一定程度上解决了傅里叶分析的缺点. 小波分析已在许多信号分析领域中获得了出色的应用. 这并不是说小波分析方法可以代替傅立叶分析方法. 如果仅在频域中执行分析，则无需使用小波分析方法. 傅里叶方法更简单，效果更好.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-216435-2.html