digital image processing, gonzalez, woods, addison … · transformada de fourier de una funcion...
Post on 29-Jun-2018
222 Views
Preview:
TRANSCRIPT
Transformadas de la imagen 1
Transformadas de la imagen
Digital Image Processing, Gonzalez, Woods, Addison Wesley, ch 3
Transformadas de la imagen 2
Transformada de Fourier en elcaso continuo
Transformada de Fourier de una funcion continua
La transformada inversa recupera la función a partir de
Transformadas de la imagen 3
La transformada de Fourier de una función real es compleja
En forma exponencial:
Donde, el espectro de Fourier es
El ángulo de fase es
El espectro de potencia es
La variable u es la variable frecuencia debido a la relación de Euler
Transformadas de la imagen 4
Transformadas de la imagen 5
Continua e integrable Integrable
Esta definido el par de transformadas directa e inversa
Espectro y fase
Ejemplo:
Transformadas de la imagen 6
Transformadas de la imagen 7
Transformadas de la imagen 8
Transformada discreta de FourierDiscretización de la función continua, tomando N muestras
Adoptando la notación
Denota una muestra uniformementeespaciada de una función continua
Transformadas de la imagen 9
El par de transformadas discretas de Fourier se define como:
Teniendo en cuenta que representa
Las frecuencias de muestreo en los planosespacial y transformado se relacionan como:
Caso de dos variables
La transformada en el caso discreto siempre existe
Transformadas de la imagen 10
El problema de lavisualización delespectro:Es necesario escalar elrango de valores parapoder visualizarlo comouna imagen en nivelesde gris.
Transformadas de la imagen 11
Separabilidad: se puede calcular la transformadamultidimensional como iteraciones de la transformadaunidimensional en cada dimensión
Transformadas de la imagen 12
Traslación: la traslación en un dominio se corresponde con lamultiplicación por un término exponencial.
El espectro de potencia esinvariante a traslación en elplano espacial.
Para cambiar el origen de coordenadasal centro del cuadrado de lasfrecuencias, para visualización
Transformadas de la imagen 13
La transformada discreta es periódica de periodo N
También poseesimetría conjugada
Transformadas de la imagen 14
Usualmente se desplaza el origen al centro del cuadrado NxN paravisualizar mejor el espectro de la función
Transformadas de la imagen 15
Rotación: la rotación en el plano espacial se corresponde conla rotación en el plano transformado
Coordenadas polares
Transformadas de la imagen 16
La transformada es distributiva respecto de la suma pero no delproducto
El escalado de la función y desu dominio se transformancorrespondientemente:
El valor medio corresponde con la transformada en el origen
Transformada del Laplaciano de la función
Transformadas de la imagen 17
Convolución de dos funciones continuas 1D
La convolución con la función impulso corresponde a extraerel valor de la función en la posición del impulso
Teorema de la convolución: la convolución y el producto sonduales bajo la transformada de Fourier
Transformadas de la imagen 18
Ejemplo de convolucióncon un tren de impulsos.La función se repite encada posición delimpulso.
Transformadas de la imagen 19
Ejemplo de convoluciónde dos funcionescontinuas detallando lospasos computacionales
Transformadas de la imagen 20
La convolución en el caso discreto exige tener en cuenta laperiodicidad de las funciones discretas. Si las funciones son deperiodo M, la convolución será también discreta y del mismoperiodo. El problema es determinar M.
Los periodos serán adyacentes
Los periodos estan separados
Garantiza que no se produce solapamiento
Transformadas de la imagen 21
Secuencias extendidas para garantizar el tamaño del periodo
Expresión para la convolución discreta
Esta expresión garantiza la consistencia con ladefinición de la convolución en el caso continuo.
El teorema de la convolución también es valido en elcaso discreto.
Transformadas de la imagen 22
Comparación entre la convolución en el caso continuo y en elcaso discreto. La convolución discreta es una funciónperiódica de periodo M.
Transformadas de la imagen 23
Caso bidimensional continuo y discreto
Transformadas de la imagen 24
Ilustración de losprocesoscomputacionalesde la convolucióncontinua en dosdimensiones.
Transformadas de la imagen 25
Correlación: es una medida de la similitud
Teorema de la correlación:dualidad del producto y lacorrelación
Transformadas de la imagen 26
Ejemplo detallado de larealización de la correlaciónen el caso continuo.
La correlación es unatransformación delocalización: nosindica donde seencuentra la funciónmás parecida alpatrón.
Transformadas de la imagen 27
Muestreo
¿Cuantas muestras se deben tomar para que no sepierda información en el proceso de muestreo odiscretización?
Se trata de establecer las condiciones en las que unafunción continua puede ser recuperada completamentea partir de un conjunto finito de valores muestreados.
Transformadas de la imagen 28
Efecto del muestreo en el dominiofrecuencial: frecuencias demuestreo excesivamente bajasproducen interferenciasfrecuenciales y pérdida deinformación.
Si la frecuencia de muestreo está por encima dela frecuencia de Nyquist, se puede recuperar lafunción original a partir del muestreo,aplicando una ventana a la transformada queseleccione el periodo en el origen.
Transformadas de la imagen 29
Al realizar un muestreo en un intervalo finito estamos multiplicando unaventana a la función muestreada, o convolucionando la transformada de lafunción discretizada con la de la ventana, esta última no es finita, portanto la función así muestreada no es de banda limitada y no serárecuperable.
Transformadas de la imagen 30
Transformada discreta deFourier: Al discretizar elplano transformadoestamos convolucionandola discretización espacialcon un tren de impulsosque convierten la funciónen periódica.
Transformadas de la imagen 31
Muestreo 2D
Transformadas de la imagen 32
Condiciones demuestreo para larecuperación de laimagen original.
Transformadas de la imagen 33
Transformadas separablesTransformada directa Transformada inversa Kernel directo de la
transformadaKernel inverso de latransformada
Kernel separable Kernel simétrico
Caso de la transformadade Fourier bidimensional
Transformadas de la imagen 34
La transformada separable y simetrica puede calcularseaplicando dos transformadas unidimensionales
En forma matricial
F es la matriz imagen, A es la matriz kernel de transformación
Para obtener la transformación inversa se calcula:
Si La inversa es exactaSino se obtiene una aproximación
Transformadas de la imagen 35
Transformada de Walsh
K-esimo bit en larepresentación binaria de z
Separabilidad ysimetría
Transformadas de la imagen 36
Base de funciones de latransformada de Walshcuando la imagen es detamaño 4x4. Loscoeficientes de latransformada se obtienenmultiplicando la imagen porcada una de las funciones dela base.
Transformadas de la imagen 37
Transformada de Hadamard
Separabilidad ysimetría
Transformadas de la imagen 38
Transformadas de la imagen 39
Transformadas de la imagen 40
Discrete Cosine Transform (DCT)
La base de funciones son funciones coseno y el resultadode la transformación es siempre real, lo que simplifica loscálculos.
Transformadas de la imagen 41
Transformadas de la imagen 42
Transformadas de la imagen 43
Transformada en componentes principales:Hotelling, Karhunen-Loeve
Población de vectores aleatorios de media y matriz de covarianza
Dadas M muestras de la población de vectores aleatorios,se puede calcular
Puesto que la matriz de covarianza es real y simetrica, se puede diagonalizar yencontrar el conjunto de autovectores ortogonales de la matriz. Sean estosautovectores ordenados por autovalor dispuestos por columanas en una matrizA.
Errir de reconstrucción de los datos originales siconsideramos solo los K autovectores de mayor autovalor
Transformadas de la imagen 44
Transformadas de la imagen 45
top related