数字图像的空间域滤波和频域滤波
数字图像处理空间域滤波实验报告
一．实验目的1.掌握图像滤波的基本定义及目的；2.理解空间域滤波的基本原理及方法；3.掌握进行图像的空域滤波的方法。
4.掌握傅立叶变换及逆变换的基本原理方法；5.理解频域滤波的基本原理及方法；6.掌握进行图像的频域滤波的方法。
二．实验结果与分析1.平滑空间滤波：a)读出eight.tif这幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中；（提示：imnoise）b)对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示；（提示:fspecial、imfilter或filter2）c)使用函数imfilter时，分别采用不同的填充方法（或边界选项，如零填充、’replicate’、’symmetric’、’circular’）进行低通滤波，显示处理后的图像采用不同的填充方式，效果略有不同。
d)运用for循环，将加有椒盐噪声的图像进行10次，20次均值滤波，查看其特点,显示均值处理后的图像；（提示:利用fspecial 函数的’average’类型生成均值滤波器）e)对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有噪声的图像做处理，要求在同一窗口中显示结果。
（提示:medfilt2）中值滤波后的图像比均值滤波后的图像更加平滑。
f)自己设计平滑空间滤波器，并将其对噪声图像进行处理，显示处理后的图像；滤波后图像变得平滑。
2.锐化空间滤波a)读出blurry_moon.tif这幅图像，采用3×3的拉普拉斯算子w =[ 1, 1, 1; 1 – 8 1; 1, 1, 1]对其进行滤波；观察原图与拉普拉斯掩模滤波后的图像，滤波后的图像不再那么平滑，使图像产生锐化效果。
b)编写函数w = genlaplacian(n)，自动产生任一奇数尺寸n的拉普拉斯算子，如5×5的拉普拉斯算子w = [ 1 1 1 1 11 1 1 1 11 1 -24 1 11 1 1 1 11 1 1 1 1]本函数见文件夹下genlaplacian.m文件。
空间域滤波和频率域处理的特点
空间域滤波和频率域处理的特点1.引言空间域滤波和频率域处理是数字图像处理中常用的两种图像增强技术。
它们通过对图像进行数学变换和滤波操作来改善图像质量。
本文将介绍空间域滤波和频率域处理的特点，并比较它们之间的异同。
2.空间域滤波空间域滤波是一种直接在空间域内对图像像素进行处理的方法。
它基于图像的局部像素值来进行滤波操作，常见的空间域滤波器包括均值滤波器、中值滤波器和高斯滤波器等。
2.1均值滤波器均值滤波器是最简单的空间域滤波器之一。
它通过计算像素周围邻域的平均值来实现滤波操作。
均值滤波器能够有效地去除图像中的噪声，但对图像细节和边缘保留较差。
2.2中值滤波器中值滤波器是一种非线性的空间域滤波器。
它通过计算像素周围邻域的中值来实现滤波操作。
中值滤波器能够在去除噪声的同时保持图像细节和边缘，对于椒盐噪声有较好的效果。
2.3高斯滤波器高斯滤波器是一种线性的空间域滤波器。
它通过对像素周围邻域进行加权平均来实现滤波操作。
高斯滤波器能够平滑图像并保留图像细节，它的滤波核可以通过调整方差来控制滤波效果。
3.频率域处理频率域处理是一种将图像从空间域转换到频率域进行处理的方法。
它通过对图像进行傅里叶变换或小波变换等操作，将图像表示为频率分量的集合，然后对频率分量进行处理。
3.1傅里叶变换傅里叶变换是一种将信号从时域转换到频域的数学变换。
在图像处理中，可以应用二维傅里叶变换将图像从空间域转换到频率域。
在频率域中，图像的低频分量对应于图像的整体结构，高频分量对应于图像的细节和边缘。
3.2小波变换小波变换是一种基于小波函数的时频分析方法。
它能够在频率和时间上同时提供图像的信息，对于图像的边缘和纹理特征有较好的表达能力。
小波变换在图像压缩和特征提取等方面具有广泛应用。
4.空间域滤波与频率域处理的对比空间域滤波和频率域处理都可以用来改善图像质量，但它们有着不同的特点和适用场景。
4.1处理方式空间域滤波是直接对图像像素进行处理，操作简单直接，适用于小规模图像的处理。
数字图像处理图像滤波ppt课件
47
噪声图像
中值滤波3x3
48
平均滤波与中值滤波比较
噪声图像
均值滤波
中值滤波
均值滤波和中值滤波都采用的是2x2 的模板
49
均值，中值和最频值
均值是模板内像素点灰度的平均值，中值是数值排列 后处于中间的值，最频值是出现次数最多的灰度值；
8
常用像素距离公式
欧几里德距离
DE
(
p,
q)
x
s 2
y
t
2
范数距离
D( p, q) x s y t
棋盘距离
D( p, q) max x s , y t
9
像素间的基本运算
算术运算：
加法： p + q
减法： p - q
乘法： p * q
这三者都与直方图有着密切的关系； 直方图的一个峰对应一个区域，如果这个峰是对称的，
那么均值等于中值，等于最频值。
50
中值滤波的代码实现 Matlab中函数medfilt1和medfilt2，第一个是一维
的中值滤波，第二个是二维的中值滤波。 使用help查看函数功能
51
示例
52
代码讲解
0.25
0.10 0.05
0.125 01 2
34
56
7
P r 关系目标曲线 r
原始图像中的Ｐ－r点位置 对应变换后的P-r点位置
24
算法描述 设像素共分为L级(r = 0,1,2,…L1)，变换后对应的
空域滤波和频域滤波的关系
空域滤波和频域滤波的关系空域滤波是指对图像的像素进行直接操作，通过改变像素的数值来达到滤波的目的。
常见的空域滤波方法包括均值滤波、中值滤波和高斯滤波等。
这些方法主要是通过对像素周围的邻域进行计算，然后用计算结果替代中心像素的值，从而达到平滑图像、去噪或者增强图像细节等效果。
空域滤波是一种直观简单的滤波方法，易于理解和实现。
频域滤波则是将图像从空域转换到频域进行滤波处理。
频域滤波基于图像的频谱特性，通过对图像的频率分量进行调整来实现滤波效果。
频域滤波的基本原理是将图像进行傅里叶变换，将图像从空间域转换到频率域，然后在频率域对图像进行滤波处理，最后再将图像进行傅里叶反变换，将图像从频率域转换回空间域。
常见的频域滤波方法包括低通滤波、高通滤波和带通滤波等。
频域滤波可以有效地去除图像中的噪声、增强图像的细节和边缘等。
空域滤波和频域滤波是两种不同的滤波方法，它们在滤波原理和实现方式上存在一定的差异。
空域滤波是直接对图像像素进行操作，易于理解和实现，但在处理复杂图像时会存在一定的局限性。
频域滤波则是将图像转换到频率域进行处理，可以更加灵活地调整图像的频率特性，适用于处理复杂图像和去除特定频率的噪声。
虽然空域滤波和频域滤波有着不同的原理和实现方式，但它们之间并不是相互独立的。
事实上，这两种滤波方法是可以相互转换和组合的。
在一些实际应用中，我们可以将频域滤波和空域滤波结合起来，通过先对图像进行傅里叶变换，然后在频率域对图像进行滤波处理，最后再将图像进行傅里叶反变换，将图像从频率域转换回空间域。
这种组合使用的方法可以充分发挥两种滤波方法的优势，既可以处理复杂图像，又能够简化计算和提高效率。
空域滤波和频域滤波是数字图像处理中常用的滤波方法。
空域滤波直接对图像像素进行操作，简单直观；频域滤波则是将图像转换到频率域进行处理，更加灵活精确。
虽然它们有着不同的原理和实现方式，但可以相互转换和组合使用，以提高图像处理的效果和质量。
数字图像增强的几种常见方法
数字图像增强的几种常见方法数字图像增强是图像处理领域中的一项重要任务，它旨在改善图像的质量和可视化效果。
在数字图像增强中，有几种常见的方法被广泛应用，包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
直方图均衡化是一种常见的图像增强方法。
它通过对图像的像素值进行重新分布，以扩展图像的动态范围，从而增强图像的对比度和细节。
直方图均衡化的基本思想是通过将图像像素的累积分布函数映射为均匀分布来调整像素的亮度值。
这种方法特别适用于对比度较低的图像，能够使图像的细节更清晰，并提升图像的质量。
滤波和增强算法也是数字图像增强的常见方法之一。
滤波可以去除图像中的噪声，平滑图像并提高图像的质量。
常见的滤波算法包括均值滤波、中值滤波和高斯滤波等。
这些算法通过对图像进行空间域或频域的滤波处理来改善图像的质量。
增强算法也可以用于提高图像的可视化效果。
例如，锐化算法可以增强图像的边缘和细节，使图像更加清晰。
对比度拉伸算法可以扩展图像的动态范围，增强图像的对比度。
这些算法可以根据不同的图像特征和需求进行选择和组合，以实现更好的图像增强效果。
多尺度变换是另一种常见的图像增强方法。
多尺度变换将图像转换为不同尺度的表示形式，利用图像在不同尺度上的信息来增强图像的质量和对比度。
常见的多尺度变换方法包括小波变换和金字塔变换。
这些方法在图像增强中广泛应用，并在图像去噪、边缘检测等领域取得了良好的效果。
除了传统的增强方法，基于机器学习的方法也在数字图像增强中得到了广泛的应用。
这些方法利用机器学习算法从大量的图像数据中学习图像的增强模型，然后使用该模型对新的图像进行增强。
通过学习大量数据得到的模型可以更准确地理解图像中的内容和结构，并提供更好的增强效果。
综上所述，数字图像增强的几种常见方法包括直方图均衡化、滤波和增强算法、多尺度变换和基于机器学习的方法。
这些方法可以根据图像的特点和需求进行选择和组合，以实现图像的质量和可视化效果的改善。
简述空域处理方法和频域处理方法的区别
空域处理方法和频域处理方法是数字图像处理中常见的两种基本处理方法，它们在处理图像时有着不同的特点和适用范围。
下面将从原理、应用和效果等方面对两种处理方法进行简要介绍，并对它们的区别进行分析。
一、空域处理方法1. 原理：空域处理是直接对图像的像素进行操作，常见的空域处理包括图像增强、平滑、锐化、边缘检测等。
这些处理方法直接针对图像的原始像素进行操作，通过像素之间的关系来改变图像的外观和质量。
2. 应用：空域处理方法广泛应用于图像的预处理和后期处理中，能够有效改善图像的质量，增强图像的细节和对比度，以及减轻图像的噪声。
3. 效果：空域处理方法对图像的局部特征和细节有很好的保护和增强作用，能够有效地改善图像的视觉效果，提升图像的清晰度和质量。
二、频域处理方法1. 原理：频域处理是通过对图像的频率分量进行操作，常见的频域处理包括傅立叶变换、滤波、频域增强等。
这些处理方法将图像从空间域转换到频率域进行处理，再通过逆变换得到处理后的图像。
2. 应用：频域处理方法常用于图像的信号处理、模糊去除、图像压缩等方面，能够有效处理图像中的周期性信息和干扰信号。
3. 效果：频域处理方法能够在频率域对图像进行精细化处理，提高图像的清晰度和对比度，对于一些特定的图像处理任务有着独特的优势。
三、空域处理方法和频域处理方法的区别1. 原理不同：空域处理方法直接对图像像素进行操作，而频域处理方法是通过对图像进行频率分析和变换来实现图像的处理。
2. 应用范围不同：空域处理方法适用于对图像的局部特征和细节进行处理，而频域处理方法适用于信号处理和频率信息的分析。
3. 效果特点不同：空域处理方法能更好地保护和增强图像的细节和对比度，频域处理方法能更好地处理图像中的周期性信息和干扰信号。
空域处理方法和频域处理方法是数字图像处理中常用的两种处理方法，它们在原理、应用和效果等方面有着不同的特点和适用范围。
在实际应用中，可以根据图像的特点和处理需求选择合适的方法，以获得更好的处理效果。
图像滤波原理
图像滤波原理图像滤波是数字图像处理中常用的一种技术，它可以对图像进行去噪、增强、边缘检测等操作，是图像处理中的重要环节。
图像滤波的原理是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
在图像处理中，滤波器通常是一个矩阵，它可以对图像进行不同程度的平滑或锐化处理。
图像滤波的原理可以分为线性滤波和非线性滤波两种。
线性滤波是指滤波器的响应与图像的像素值之间存在线性关系，常见的线性滤波器有均值滤波、高斯滤波等。
均值滤波是一种简单的线性滤波器，它将图像中每个像素的值替换为其周围像素值的平均值，从而起到平滑图像的作用。
高斯滤波则是利用高斯函数来构造滤波器，对图像进行平滑处理的同时保留图像的细节。
非线性滤波则是指滤波器的响应与图像的像素值之间不存在线性关系，常见的非线性滤波器有中值滤波、最大值滤波、最小值滤波等。
中值滤波是一种常用的非线性滤波器，它将每个像素的值替换为其周围像素值的中值，适用于去除图像中的椒盐噪声等非线性噪声。
图像滤波的原理还涉及到频域滤波和空域滤波两种方法。
频域滤波是指将图像转换到频域进行滤波处理，然后再将处理后的图像转换回空域。
常见的频域滤波包括傅里叶变换、小波变换等。
空域滤波则是直接在图像的空间域进行滤波处理，常见的空域滤波包括均值滤波、中值滤波等。
总的来说，图像滤波的原理就是利用滤波器对图像进行卷积运算，通过改变像素值来实现对图像的处理。
不同的滤波器和滤波方法都有各自的特点和适用场景，选择合适的滤波器和滤波方法对图像进行处理，可以达到去噪、增强、边缘检测等不同的效果。
在实际应用中，需要根据具体的图像处理任务来选择合适的滤波器和滤波方法，以达到最佳的处理效果。
实验三数字图像地空间域滤波
实验三、四数字图像的空间域滤波和频域滤波1．实验目的1.掌握图像滤波的基本定义及目的。
2.理解空间域滤波的基本原理及方法。
3.掌握进行图像的空域滤波的方法。
4.掌握傅立叶变换及逆变换的基本原理方法。
5.理解频域滤波的基本原理及方法。
6.掌握进行图像的频域滤波的方法。
2．实验基本原理1.空间域增强空间域滤波是在图像空间中借助模板对图像进行领域操作，处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。
空域滤波基本上是让图像在频域空间内某个范围的分量受到抑制，同时保证其他分量不变，从而改变输出图像的频率分布，达到增强图像的目的。
空域滤波一般分为线性滤波和非线性滤波两类。
线性滤波器的设计常基于对傅立叶变换的分析，非线性空域滤波器则一般直接对领域进行操作。
各种空域滤波器根据功能主要分为平滑滤波器和锐化滤波器。
平滑可用低通来实现，平滑的目的可分为两类：一类是模糊，目的是在提取较大的目标前去除太小的细节或将目标内的小肩端连接起来；另一类是消除噪声。
锐化可用高通滤波来实现，锐化的目的是为了增强被模糊的细节。
结合这两种分类方法，可将空间滤波增强分为四类：线性平滑滤波器（低通）非线性平滑滤波器（低通）线性锐化滤波器（高通）非线性锐化滤波器（高通）空间滤波器都是基于模板卷积，其主要工作步骤是：1)将模板在图中移动，并将模板中心与图中某个像素位置重合；2)将模板上的系数与模板下对应的像素相乘；3)将所有乘积相加；4)将和（模板的输出响应）赋给图中对应模板中心位置的像素。
2.平滑滤波器1)线性平滑滤波器线性低通平滑滤波器也称为均值滤波器，这种滤波器的所有系数都是正数，对3×3的模板来说，最简单的是取所有系数为1，为了保持输出图像任然在原来图像的灰度值范围内，模板与象素邻域的乘积都要除以9。
MATLAB 提供了fspecial 函数生成滤波时所用的模板，并提供filter2 函数用指定的滤波器模板对图像进行运算。
遥感数字图像处理：遥感图像处理-图像滤波
Mean 11x11
1.2 中值滤波器
在邻域平均法中，是将n×n局部区域中的灰度的平
均值作为区域中央象元的灰度值。而在中值滤波中，是 把局部区域中灰度的中央值作为区域中央象元的值。
g(x, y) median(of (x, y))
如，在3×3区域内进行中值滤波，是将区域内9个 灰度值按由小到大排列，从小的一方开始的第5个值即 为中央象元的值。
矢量微分----梯度
二元函数f(x,y)在坐标点(x,y)处的梯度向量的定义：
f
G[
f
( x,
y)]
x f
y
梯度的幅度：
G[ f (x, y)] ( f )2 ( f ) 2
x
y
梯度的幅角：
M
tg 1[ f / f ] y x
连续域的微分----离散域的差分
x f (i, j) f (i 1, j) f (i, j) y f (i, j) f (i, j 1) f (i, j)
MN
r(i, j) (m, n)t(m, n) m1 n1
将计算结果r（i，j） 放在窗口中心的像 元位置，成为新像 元的灰度值。然后 活动窗口向右移动 一个像元，再按公 式做同样的运算， 仍旧把计算结果放 在移动后的窗口中 心位置上，依次进 行，逐行扫描，直 到全幅图像扫描一 遍结束，则新图像 生成。
空域滤波和频域滤波的实现及比较
里仁学院课程设计说明书题目：空域滤波和频域滤波的实现及比较学院（系）：里仁学院年级专业：09工业自动化仪表2班学号： 09学生姓名：苏胜指导教师：赵彦涛、程淑红教师职称：讲师、副教授燕山大学课程设计（论文）任务书学号0120 学生姓名苏胜专业（班级）09工业自动化仪表2班设计题目5空域滤波和频域滤波的实现及比较设计技术参数要求用不同的滤波器分别实现图像的空域和频域滤波，然后比较结果。
设计要求数字信号处理中，图像的空域滤波和频域滤波可以实现相同的目的，用不同的滤波器实现其空域和频域滤波，然后比较其结果。
要求用不同的滤波器同时实现图像的空域和频域滤波。
设计中应具有自己的设计思想、设计体会。
工作量1周工作计划周一：分析题目，查阅相关资料，熟悉MATLAB程序设计方法。
周二至周三：方案设计周四：编写程序代码、调试、运行周五：答辩考核参考资料1.数字图像处理学电子工业出版社贾永红 20032.数字图像处理（Matlab版）电子工业出版社冈萨雷斯 20063.其他数字图像处理和matlab编程方面的书籍及相关学习资料指导教师签字基层教学单位主任签字说明：此表一式四份，学生、指导教师、基层教学单位、系部各一份。
2012年6 月29日燕山大学课程设计评审意见表指导教师评语：成绩：指导教师：2012年6月29 日答辩小组评语：成绩：评阅人：2012年6月29 日课程设计总成绩：答辩小组成员签字：2012年6月29 日目录第一章摘要 (1)第二章引言 (2)第三章空域滤波和频域滤波 (3)3.1 空域滤波器的设计 (3)3.1.1 空域低通滤波器 (3)3.1.2 空域高通滤波器 (5)3.2 时域滤波器的设计 (5)3.2.1 时域低通滤波器 (6)3.2.2 时域高通滤波器 (6)3.3空域与时域滤波的比较 (12)第四章心得体会 (15)第五章参考文献 (16)一、摘要此次课程设计是在MATLAB软件下进行数字滤波技术的仿真分析，有助于我对数字图像处理技术的分析和理解。
图像去除噪声方法
图像去除噪声方法图像去噪是数字图像处理的一种重要技术，在数字图像传输、存储和分析过程中都会遇到噪声的干扰。
目前图像去噪的方法主要分为基于空域的滤波方法和基于频域的滤波方法。
基于空域的滤波方法是指直接对图像的像素进行处理，常见的方法有均值滤波、中值滤波和高斯滤波等。
1. 均值滤波是一种简单的图像平滑方法，它通过对图像的每个像素值周围像素的平均值进行计算来减小噪声。
具体步骤是，对于图像中的每个像素，以该像素为中心取一个固定大小的窗口，然后计算窗口内所有像素的平均灰度值作为该像素的新值。
由于均值滤波是线性滤波器，因此它对于高斯噪声具有一定的去噪效果，但对于细节部分的保护能力较弱。
2. 中值滤波是一种非线性滤波方法，它通过在窗口内对像素值进行排序，将中间值作为该像素的新值来减小噪声。
相比于均值滤波，中值滤波更能保护图像的细节，对椒盐噪声（指图像中的黑白颗粒噪声）有较好的去噪效果。
3. 高斯滤波是基于高斯函数的一种线性滤波方法，它通过对图像像素的邻域像素进行加权平均来减小噪声。
高斯滤波的核函数是一个二维高斯函数，它具有旋转对称性和尺度不变性。
高斯滤波可通过调整窗口的大小和标准差来控制平滑程度，窗口越大、标准差越大，平滑程度越高。
高斯滤波对高斯噪声的去噪效果较好，但对于椒盐噪声则效果较差。
基于频域的滤波方法是指通过将图像进行傅立叶变换后，在频率域对图像进行滤波，然后再进行逆傅立叶变换得到去噪后的图像。
这种方法的优点是可以同时处理图像中的各种频率成分。
1. 傅立叶变换是一种将图像从空间域转换为频率域的方法，它将图像表示为了频率和相位信息的叠加。
在频率域中，图像可以分解为不同频率的成分，其中低频成分代表图像的平滑部分，高频成分代表图像的细节部分。
因此，通过滤除高频成分可以达到去噪的效果。
2. 基于小波变换的图像去噪方法利用小波变换的多分辨率分析特性来实现。
小波变换将图像分解成不同尺度的频带，通过选择合适的阈值来滤除噪声分量，然后再进行逆变换得到去噪后的图像。
请简述空域处理方法和频域处理方法的区别
空域处理方法和频域处理方法是数字图像处理中常用的两种方法。
它们有着各自独特的特点和应用场景。
本文将从原理、应用和区别三个方面对这两种处理方法进行详细比较。
一、原理1. 空域处理方法空域处理方法是指直接对图像的像素进行操作。
它是一种基于图像的原始信息进行处理的方法。
常见的空域处理操作包括亮度调整、对比度增强、图像锐化等。
这些操作都是基于每个像素点周围的邻域像素进行计算和处理的。
2. 频域处理方法频域处理方法是将图像从空间域转换到频率域进行处理。
其基本原理是利用傅里叶变换将图像信号从空间域转换到频率域，然后对频率域的图像进行滤波、增强等处理，最后再利用傅里叶反变换将图像信号转换回空间域。
二、应用1. 空域处理方法空域处理方法适用于对图像的局部信息进行处理，如调整图像的明暗、对比度和色调等。
它可以直接对原始图像进行处理，因此在实时性要求较高的场景下具有一定优势。
2. 频域处理方法频域处理方法适用于对图像的全局信息进行处理，如去除图像中的周期性噪声、增强图像的高频细节等。
由于频域处理方法能够通过滤波等手段对图像进行全局处理，因此在一些需要对图像进行频谱分析和滤波的场景下有着独特的优势。
三、区别1. 数据处理方式空域处理方法是直接对图像的像素进行操作，处理过程直接，但只能处理原始图像信息。
而频域处理方法是将图像信号转换到频率域进行处理，可以更全面地分析和处理图像的频率特性。
2. 处理效果空域处理方法主要用于对图像的局部信息进行处理，因此适合对图像的亮度、对比度等进行调整。
而频域处理方法主要针对图像的全局信息进行处理，能够更好地处理图像的频率特性，如滤波、增强等。
3. 处理速度空域处理方法直接对原始图像进行处理，处理速度较快；而频域处理方法需要将图像信号转换到频率域进行处理，处理速度相对较慢。
空域处理方法和频域处理方法分别适用于不同的处理场景。
空域处理方法主要用于对图像的局部信息进行处理，处理速度较快；而频域处理方法主要用于对图像的全局信息进行处理，能够更全面地分析和处理图像的频率特性。
滤波法在图像处理中的应用
滤波法在图像处理中的应用所谓数字图像处理就是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。
实质上是一段能够被计算机还原显示和输出为一幅图像的数字码。
21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。
数字图像处理，即用计算机对图像进行处理，其发展历史并不长。
数字图像处理技术源于20世纪20年代，当时通过海底电缆从英国伦敦到美国纽约传输了一幅照片，采用了数字压缩技术。
首先数字图像处理技术可以帮助人们更客观、准确地认识世界，人的视觉系统可以帮助人类从外界获取3/4以上的信息，而图像、图形又是所有视觉信息的载体，尽管人眼的鉴别力很高，可以识别上千种颜色，但很多情况下，图像对于人眼来说是模糊的甚至是不可见的，通过图象增强技术，可以使模糊甚至不可见的图像变得清晰明亮。
另一方面，通过数字图像处理中的模式识别技术，可以将人眼无法识别的图像进行分类处理。
通过计算机模式识别技术可以快速准确的检索、匹配和识别出各种东西。
数字图像处理技术已经广泛深入地应用于国计民生休戚相关的各个领域。
在计算机中，按照颜色和灰度的多少可以将图像争为二值图像、灰度图像、索引图像和真彩色RGB图像四种基本类型。
目前，大多数图像处理软件都支持这四种类型的图像。
平滑技术用于平滑图像中的噪声。
平滑噪声可以在空间域中进行，基本方法是求像素灰度均值或者中值。
1.首先我们来了解下滤波法的定义。
答：滤波的本义是指信号有各种频率的成分,滤掉不想要的成分,即为滤掉常说的噪声,留下想要的成分.这即是滤波的过程,也是目的.一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
2.对滤波处理的要求有两条:答：一是不能损坏图像的轮廓及边缘等重要信息；二是使图像清晰视觉效果好。
3.我们为什么要滤波。
答：滤波的本义是指信号有各种频率的成分,滤掉不想要的成分,即为滤掉常说的噪声,留下想要的成分.这即是滤波的过程,也是目的。
数字图像处理(冈萨雷斯)-4 频域平滑及锐化滤波
频域图像增强
——图像的频域分析 频率域滤波
频率域平滑（低通）滤波器
频率域锐化（高通）滤波器
4.8 频率域平滑滤波
第4章 频率域滤波
• 图像的平滑除了在空间域中进行外，也可以在频率域中进
行。由于噪声主要集中在高频部分，为去除噪声改善图像 质量，滤波器采用低通滤波器 H 可达到平滑图像的目的
2 2 2 2
H (u, v) 4 (u v ) (4.9 5)
2 2 2
原点从(0,0)移到(P/2,Q/2),所以，滤波函数平移为
H (u, v) 4 2 (u P 2) 2 (v Q 2) 2 4 2 D 2 (u, v) (4.9 6)
(u P 2)2 (v Q 2) 2 F (u, v) f ( x, y) 4
2 2
从原始图像中减去拉普拉斯算子部分，形成
g(x,y)的增强图像
g ( x, y ) f ( x, y ) f ( x, y ) (4.9 8)
4.8 频率域平滑滤波
理想低通滤波器 总图像功率值PT
P 1 Q 1 u 0 v 0
PT P ( u, v ) (4.8 3)
2
其中:
P (u, v ) F (u, v ) R2 (u, v ) I 2 (u, v )
原点在频率域的中心，半径为D0的圆包含%的功率
圆环具有半径5,15,30,80和230个像素
图像功率为92.0%,94.6%,96.4%,98.0%和99.5%
4.8
频率域平滑滤波
理想低通滤波器举例4.16——具有振铃现象
原图
数字图像处理实验报告
数字图像处理实验报告一、引言数字图像处理是一门涉及图像获取、图像处理和图像分析的重要学科，广泛应用于计算机科学、电子工程、通信技术等领域。
本报告旨在介绍并总结我所进行的数字图像处理实验，讨论实验的目的、方法、结果和分析。
二、实验目的通过本次实验，旨在掌握和理解数字图像处理的基本原理和常见技术，包括灰度变换、空间域滤波、频域滤波等，以及层次分割、边缘检测和形态学处理等高级应用技术。
三、实验方法1. 寻找合适的图像在实验中，我选用了一张自然风景图像作为处理对象。
这张图像包含丰富的纹理和颜色信息，适合用于多种图像处理方法的验证和比较。
2. 灰度变换灰度变换是数字图像处理中常见的基础操作，可以通过对图像的像素灰度值进行线性或非线性变换，来调整图像的对比度、亮度等特征。
在实验中，我利用线性灰度变换方法将原始彩色图像转换为灰度图像，并进行对比度的调整，观察处理结果的变化。
3. 空间域滤波空间域滤波是一种基于像素邻域的图像处理方法，常用于图像去噪、边缘增强等应用。
我使用了平滑滤波和锐化滤波两种方法，并针对不同的滤波算子和参数进行了实验和比较，评估其对图像细节和边缘保留的影响。
4. 频域滤波频域滤波是一种基于图像的频谱特征的图像处理方法，广泛应用于图像增强、去噪和特征提取等方面。
我利用傅里叶变换将图像从空间域转换到频域，采用理想低通滤波器和巴特沃斯低通滤波器进行图像的模糊处理，并进行了实验对比和分析。
5. 高级应用技术在实验中，我还研究了数字图像处理中的一些高级应用技术，包括层次分割、边缘检测和形态学处理。
通过应用不同的算法和参数，我实现了图像区域分割、提取图像边缘和形态学形状变换等效果，评估处理结果的准确性和稳定性。
四、实验结果与分析通过对以上实验方法的实施，我获得了一系列处理后的图像，并进行了结果的比较和分析。
在灰度变换实验中，我发现线性变换对图像的对比度有较大影响，但对图像的细节变化不敏感；在空间域滤波实验中，平滑滤波可以有效降噪，但会导致图像细节损失，而锐化滤波可以增强图像的边缘效果，但也容易引入噪声；在频域滤波实验中，理想低通滤波对图像的模糊效果明显，而巴特沃斯低通滤波器可以在一定程度上保留图像的高频细节信息；在高级应用技术实验中，边缘检测和形态学处理对提取图像边缘和形状变换非常有效，但参数的选择会对结果产生较大影响。
空域处理方法和频域处理方法的区别
空域处理方法和频域处理方法是数字图像处理中常用的两种处理方式，它们在处理图像时具有不同的特点和优势。
本文将对这两种处理方法进行比较和分析，探讨它们的区别和应用场景。
一、空域处理方法1. 空域处理方法是指直接对图像的像素进行处理，通过对图像的像素值进行加减乘除等操作，来实现对图像的处理和增强。
2. 空域处理方法的优势在于简单直观，操作方便。
常见的空域处理方法包括灰度变换、直方图均衡化、平滑滤波、锐化滤波等。
3. 空域处理方法的缺点是无法充分利用图像的局部特征和频域信息，对某些复杂的图像处理任务效果不佳。
二、频域处理方法1. 频域处理方法是指将图像转换到频域进行处理，通过对图像的频谱进行操作，来实现对图像的处理和增强。
2. 频域处理方法的优势在于能够充分利用图像的频域信息，对图像进行更加精细和复杂的处理。
常见的频域处理方法包括傅里叶变换、频谱滤波、离散余弦变换等。
3. 频域处理方法的缺点是操作复杂，需要进行频域变换和逆变换，计算量大，处理过程较为繁琐。
三、空域处理方法和频域处理方法的区别1. 原理差异：空域处理方法是直接对图像的像素进行处理，而频域处理方法是将图像转换到频域进行处理。
2. 应用范围差异：空域处理方法适用于简单的图像处理和增强任务，频域处理方法适用于对图像进行精细和复杂的处理。
3. 操作难易度差异：空域处理方法操作简单直观，频域处理方法操作复杂繁琐。
四、空域处理方法和频域处理方法的应用场景1. 空域处理方法适用于对图像进行一些简单的增强和处理，如亮度调整、对比度增强、边缘检测等。
2. 频域处理方法适用于对图像进行复杂的增强和处理，如去除噪声、图像复原、频谱滤波等。
在实际的图像处理任务中，根据具体的处理要求和效果需求，可以灵活选择空域处理方法和频域处理方法，以达到最佳的处理效果。
总结：空域处理方法和频域处理方法在数字图像处理中各有优势和特点，应用于不同的处理场景和任务中。
了解和掌握这两种处理方法的区别和优势，能够更好地进行图像处理和增强，提高处理效率和质量。
数字图像处理技术在遥感中的应用
数字图像处理技术在遥感中的应用随着数字化时代的到来，遥感技术从传统的航空摄影演变为数字遥感，数字图像处理技术的应用也越来越广泛。
在遥感领域，数字图像处理技术可以分为三类：图像增强、特征提取和目标识别。
下面将详细介绍数字图像处理技术在遥感中的应用。
一、图像增强图像增强是指通过一些数字图像处理方法使图像的质量得到提升或者说让人类更容易观察和分析图像。
在遥感领域，由于航拍或卫星拍摄的图像不可避免地存在一些噪声或者扭曲形变，因此图像增强成为了一项关键技术。
一般来说，图像增强可以分为两类：空域滤波和频域滤波。
空域滤波是通过改变像素之间的数值来调整图像的像素值，如中值滤波、均值滤波等。
而频域滤波则是通过改变图像的傅里叶变换谱来调整图像的像素值，比如高通滤波、低通滤波等。
一般而言，频域滤波的效果更好，但是空域滤波的速度更快。
除了常见的滤波方法，还有一些特殊的图像增强方法。
比如，波尔多（Bordeaux）大学曾经提出了一种基于小波变换的图像增强方法，可以在直通波束和散射波束中实现噪声过滤和反射率估计。
二、特征提取特征提取是指从图像中提取出更具信息含量和区分力的特征。
例如，提取植被指数（NDVI）、离散点（blight）指数、道路网图及车辆一系列特征等。
遥感图像的特征提取常常是复杂且繁琐的，可以通过数字图像处理方法简化和优化。
特征提取大致分为两步：一是预处理，二是特征计算。
预处理包括图像分割、去噪等操作。
特征计算则是对分割后的图像进行特征计算，例如感兴趣区域（ROIs）内的植被覆盖率、沙漠化率、土地变化率、道路交通状况等。
特征提取常常是其他应用的基础，例如在目标识别任务中，特征提取就是提高分类正确率的关键。
因此特征提取技术的改进是遥感图像分析技术发展的核心任务。
三、目标识别目标识别是指利用遥感图像中的信息来识别特定的目标，例如建筑物、水体、植被覆盖等。
通过数字图像处理技术的应用，可以提高遥感图像目标识别任务的准确率和自动化水平。
卷积与空间域滤波、频(率)域滤波之间的关系。
卷积与空间域滤波、频(率)域滤波之间的关系。
卷积与空间域滤波、频(率)域滤波之间有密切的关系。
在信号处理和图像处理中，卷积是一种基本的数学运算，用于将一个函数与另一个函数相乘，并在某个维度上滑动第二个函数。
在图像处理中，卷积用于对图像进行滤波、模糊、锐化等操作。
空间域滤波和频域滤波是两种常见的图像处理方法，它们都可以与卷积结合使用。
空间域滤波直接在图像的像素上进行操作，而频域滤波则通过将图像转换到频率域进行处理，然后再转换回空间域。
卷积在空间域滤波中的应用通常涉及使用一个滤波器（也称为卷积核或掩模）对图像进行卷积操作。
这个滤波器定义了一组权重，用于对图像的像素进行加权求和。
通过选择不同的滤波器，可以实现不同的空间域滤波效果，例如平滑、锐化、边缘检测等。
同样地，卷积也可以在频域滤波中应用。
在频域滤波中，图像首先通过傅里叶变换转换为频率域表示。
然后，使用一个滤波器对频率域的图像进行操作，该滤波器同样定义了一组权重。
常见的频域滤波器包括低通滤波器、高通滤波器和带通滤波器等。
通过选择不同的滤波器，可以实现不同的频域滤波效果，例如去除噪声、增强边缘等。
需要注意的是，卷积在空间域和频域中的操作是有区别的。
在空间域中，卷积操作是直接在像素位置上进行的，因此可以直接观察到像素值的改变。
而在频域中，卷积操作是在频率域的表示上进行，因此需要对结果进行逆傅里叶变换才能转换回空间域以观察处理效果。
综上所述，卷积可以用于实现空间域滤波和频域滤波，并且它们之间存在密切的关系。
在实际应用中，根据具体需求选择适合的方法进行处理。
数字图像处理实验报告
数字图像处理实验报告数字图像处理实验报告实验⼀数字图像基本操作及灰度调整⼀、实验⽬的1)掌握读、写图像的基本⽅法。
2)掌握MATLAB语⾔中图像数据与信息的读取⽅法。
3)理解图像灰度变换处理在图像增强的作⽤。
4)掌握绘制灰度直⽅图的⽅法，理解灰度直⽅图的灰度变换及均衡化的⽅法。
⼆、实验内容与要求1.熟悉MATLAB语⾔中对图像数据读取，显⽰等基本函数特别需要熟悉下列命令：熟悉imread()函数、imwrite()函数、size()函数、Subplot（）函数、Figure（）函数。
1)将MATLAB⽬录下work⽂件夹中的forest.tif图像⽂件读出.⽤到imread，imfinfo等⽂件，观察⼀下图像数据，了解⼀下数字图像在MATLAB中的处理就是处理⼀个矩阵。
将这个图像显⽰出来（⽤imshow）。
尝试修改map颜⾊矩阵的值，再将图像显⽰出来，观察图像颜⾊的变化。
2)将MATLAB⽬录下work⽂件夹中的b747.jpg图像⽂件读出，⽤rgb2gray()将其转化为灰度图像，记为变量B。
2.图像灰度变换处理在图像增强的作⽤读⼊不同情况的图像，请⾃⼰编程和调⽤Matlab函数⽤常⽤灰度变换函数对输⼊图像进⾏灰度变换，⽐较相应的处理效果。
3.绘制图像灰度直⽅图的⽅法，对图像进⾏均衡化处理请⾃⼰编程和调⽤Matlab函数完成如下实验。
1)显⽰B的图像及灰度直⽅图，可以发现其灰度值集中在⼀段区域，⽤imadjust函数将它的灰度值调整到[0，1]之间，并观察调整后的图像与原图像的差别，调整后的灰度直⽅图与原灰度直⽅图的区别。
2) 对B 进⾏直⽅图均衡化处理，试⽐较与源图的异同。
3) 对B 进⾏如图所⽰的分段线形变换处理，试⽐较与直⽅图均衡化处理的异同。
图1.1 分段线性变换函数三、实验原理与算法分析1. 灰度变换灰度变换是图像增强的⼀种重要⼿段，它常⽤于改变图象的灰度范围及分布，是图象数字化及图象显⽰的重要⼯具。
采用空间域和频率域滤波的原理
一、概述空间域和频率域滤波是数字图像处理中常用的两种基本处理方法。
它们通过对图像进行不同的数学变换和运算，能够实现对图像的增强、去噪和特征提取等目的。
本文将从原理入手，对这两种滤波方法进行深入探讨。
二、空间域滤波的原理1. 空间域滤波是指对图像的像素进行直接操作的一种滤波方法。
其原理是通过对图像进行空间领域内的数学运算，来改变图像的各个像素值，从而实现图像的增强或去噪。
2. 空间域滤波的主要方法包括均值滤波、中值滤波和高斯滤波等。
其中，均值滤波是通过对图像中的每个像素周围邻域像素值的平均来实现的，中值滤波是通过将邻域像素值排序并取中值来实现的，而高斯滤波则是通过对邻域像素进行加权平均来实现的。
3. 空间域滤波的优点是操作简单，计算速度快，适用于对图像进行快速处理。
但其缺点是对图像进行像素级操作，容易引入擦除和边缘模糊等问题。
三、频率域滤波的原理1. 频率域滤波是指将图像从空间域变换到频率域进行处理的一种滤波方法。
其原理是通过对图像在频率域内的变换和运算，来实现对图像的增强、去噪和特征提取等目的。
2. 频率域滤波的主要方法包括傅立叶变换和小波变换。
其中，傅立叶变换是将图像从空间域变换到频率域的一种数学变换，通过对图像在频率域内的数学运算来实现滤波的目的。
3. 频率域滤波的优点是能够同时处理图像的整体特征，能够避免空间域滤波带来的边缘模糊问题。
但其缺点是计算复杂，速度较慢，适用于对图像进行精细处理。
四、空间域和频率域滤波的比较1. 空间域滤波和频率域滤波都是数字图像处理中常用的两种基本处理方法，它们各自有着不同的优缺点。
2. 空间域滤波的优点是操作简单，计算速度快，适用于对图像进行快速处理，但其缺点是容易引入擦除和边缘模糊等问题；而频率域滤波的优点是能够同时处理图像的整体特征，能够避免空间域滤波带来的边缘模糊问题，但其缺点是计算复杂，速度较慢，适用于对图像进行精细处理。
3. 在实际应用中，需要根据图像处理的具体要求和情况来选择合适的滤波方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
w=[1111111111-241111111113）分别采用5D5, 9D9, 15D 15和11111]25大小的拉普拉斯算子对blurry_moon.tif进数字图像的空间域滤波和频域滤波一、实验环境二、实验内容与要求1.平滑空间滤波：1）读出一幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。
2）对加入噪声图像选用不同的平滑（低通）模板做运算，对比不同模板所形成的效果，要求在同一窗口中显示。
3）进行低通滤波，显示处理后的图像。
4）显示均值处理后的图像。
5）对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有噪声的图像做处理，要求在同一窗口中显示结果。
2.锐化空间滤波1）读出blurry_moon.tif DODO,采用3D3的拉普拉斯算子w=[1,1,1;1—81;1,1,1]对其进行滤波。
2）编写函数w=genlaplacian（n）,自动产生任一奇数尺寸n的拉普拉斯算子，如5D5的拉普拉斯算子行锐化滤波，并利用式g（x,y）€f（x,y）-,2f（x,y）完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
4）采用不同的梯度算子对blurry_moon.tif进行锐化滤波，并比较其效果。
3.傅立叶变换1）读出woman.tif这幅图像,对其进行快速傅立叶变换，分别显示其幅度图像和相位图像。
仅对相位部分进行傅立叶反变换后查看结果图像。
2）仅对幅度部分进行傅立叶反变换后查看结果图像。
3）将图像的傅立叶变换F置为其共轭后进行反变换，比较新生成图像与原始图像的差异。
三、实验过程平滑空间滤波：读出一幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。
椒盐噪声:def salt_pepperNoise(src):dst二src.copyOnum=1000#1000个噪声点ndim=np.ndim(src)row,col=np.shape(src)[0:2]for i inrange(num):x=np.random.randint(0,row)#□□□□□□□□□y=np.random.randint(0,col)indicator=np.random.randint(0,2)#灰度图像if ndim==2:if indicator==0:dst[x,y]=0else:dst[x,y]=255#彩色图像elif ndim==3:if indicator==0:dst[x,y,:]=0else:dst[x,y,:]=255return dst0000：def addGaussianNoise(image,sigma):mean=0.0row,col,ch=image.shapegauss=np.random.normal(mean,sigma,(row,col,ch))gauss=gauss.reshape(row,col,ch)noisy=image+gaussreturn noisy.astype(np.uint8)Q saftPepper—口X■IGaussian—□X对加入噪声图像选用不同的平滑(低通)模板做运算，对比不同模板所形成的效果,要求在同一窗口中显示。
加入椒盐噪声后图像的滤波：imgl二cv2.imread(\,0)img=img1[100:300]src=salt_pepperNoise(img)cv2.imshow(,src)dst=cv2.blur(src,(3,3))#□□□□□□cv2.imshow(,dst)dstl二cv2.medianBlur(src,5)#中值滤波cv2.imshow(,dstl)dst2=cv2.GaussianBlur(src,(3,3),0)#□□□□cv2.imshow(,dst2)cv2.waitKey(0)cv2.destroyAllWindows()X □ X A■origin !n^edlanBlur F Gau&sianBlLir sl=np.fft.ifftshift(st)x2=np.fft.ifft2(sl)x3=np.uint8(np.real(x2))return newimg,x3img 二cv2.imread('D:\mote.jpg',0)进行低通滤波，显示处理后的图像。
import cv2import numpy as np def function(img):h,w=img.shapenewimg 二np.zeros((h,w),np.uint8)img2=np.fft.fft2(img)fshift 二np.fft.fftshift(img2)st 二fshift.copy()h,w=fshift.shapesh=h/2sw=w/2r=40for i inrange (h):for j inrange (w):if ((sh-i)*(sh-i)+(sw-j)*(sw-j))<=r*r:newimg[i,j]=255tmp=1else :tmp=0st[i,j]二tmp*fshift[i,j]imgl,img2二function(img)cv2.imshow(,img)cv2.imshow(,img2)cv2.waitKey(O)显示均值处理后的图像。
代码：import cv2import matplotlib.pyplot as pltimg=cv2.imread('D:\mote.jpg',0)#□□□□□□□□blur=cv2.blur(img,(3,5))#1模板大小3*5plt.subplot(1,2,1),plt.imshow(img,'gray')#□□□□，□□□□□bgr plt.title('img')plt.xticks([]),plt.yticks([])plt.subplot(1,2,2),plt.imshow(blur,'gray')plt.title('blur')plt.xticks([]),plt.yticks([])plt.show()®Figure1—□X代《今中回X-314JB5yx58.3329[175]对加入椒盐噪声的图像分别采用均值滤波法，和中值滤波法对有噪声的图像做处理，要求在同一窗口中显示结果。
代码：import cv2import matplotlib.pyplot as pitimg=cv2.imread('D:/img/salt.jpg',O)#□□□□□□□□blur=cv2.blur(img,(3,5))#□□□□3*5mid二cv2.medianBlur(img,5)plt.subplot(l,2,1),plt.imshow(mid,'gray')plt.title('medianBlur')plt.xticks([]),plt.yticks([])plt.subplot(1,2,2),plt.imshow(blur,'gray')plt.title('blur')plt.xticks([]),plt.yticks([])plt.show()选Figure1medtanBlurm Q:s]B]锐化空间滤波读出一幅图像，采用X的拉普拉斯算子-对其进行滤波。
#□□□□,□□□□□□□□def Laplace(src):template=np.ones((3,3),dtype二np.float32)#模板template[l,1]=-8.0addBorder=cv2.copyMakeBorder(src,1,1,1,1,cv2.B0RDER_REFLECT_101)row,col=src .shapedst二np.zeros((row,col),dtype=np.int16)for i inrange(row):for j inrange(col):temp=addBorder[i:i+3,j:j+3]dst[i,j]二np.sum(template*temp)return dst□ □ |rII I!irfl>ll[fI:0)t 11 kI.-,■1src 'iTSJ!!■■H output import numpy as np import pandas as pd import cv2from scipy import ndimagekernel_5x5二np.array([[l ,1,1,1,1],[1,1,1,1,1],[1,1,-24,1,1],[1,1,1,1,1,],[1,1,1,1,1]])img=cv2.imread(\,0)k5=ndimage.convolve(img,kernel_5x5)cv2.imshow(,k5)cv2.waitKey()cv2.destroyAllWindows()分别采用X ,X ,X 和X 大小的拉普拉斯算子对进行锐化滤波，并利用式完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
代码：import cv2img 二blurred=cv2.imread(\#5U5,9D9,15D15和25D25编写函数，自动产生任一奇数尺寸的拉普拉斯算子，如X的拉普拉斯算子x二cv2.Sobel(src,cv2.CV_16S,l,0)y二cv2.Sobel(src,cv2.CV_16S,0,1)absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)dst二cv2.addWeighted(absX,0.5,absY,0.5,0)cv2.imshow('Sobel',dst)#□□□□□□lap二placian(src,cv2.CV_16S,3)dst1二cv2.convertScaleAbs(lap)cv2.imshow(,dst1)#Canny□子can=cv2.Canny(src,30,120)s=src-cansrc1二cv2.GaussianBlur(s,(3,3),0)cv2.imshow(,src1)cv2.waitKey(0)■J car.12laplacian I E Sobel-□傅立叶变换1）读出woman.tif这幅图像，对其进行快速傅立叶变换，分别显示其幅度图像和相位图像。
仅对相位部分进行傅立叶反变换后查看结果图像。
2）仅对幅度部分进行傅立叶反变换后查看结果图像。
3）将图像的傅立叶变换F置为其共轭后进行反变换，比较新生成图像与原始图像的差异。