image-processing - 为什么傅里叶变换可以在对噪声敏感的同时进行图像识别？

Question

正如我们所知，傅里叶变换对噪声（如盐和胡椒）很敏感，

它如何仍然用于图像识别？

这里有 FT 专家吗？

Answer 1

更新以实际回答您提出的问题... :) 使用非线性滤波器对图像进行预处理以抑制椒盐噪声。可能是中值过滤器？

以下是关于匹配滤波器 FFT 的基本课程......

在较大图像中检测较小图像的经典方法是匹配滤波器。本质上，这涉及对较大图像与较小图像（您要识别的东西）进行交叉相关。

1. 对于大图中的每个位置
2. 将较小的图像叠加在较大的图像上
3. 将所有对应的像素相乘
4. 总结结果
5. 将该总和放在过滤图像中的这个位置

在较大图像中唯一的噪声是白噪声的情况下，匹配滤波器是最佳的。

这在计算上很慢，但可以分解为 FFT（快速傅里叶变换）操作，效率更高。有更复杂的图像匹配方法可以比匹配滤波器更好地容忍其他类型的噪声。但很少有能像使用 FFT 实现的匹配滤波器那样高效。

谷歌“匹配过滤器”、“互相关”和“卷积过滤器”了解更多信息。

例如，这里有一个简短的解释，也指出了这种非常老派的图像匹配方法的缺点：http ://www.dspguide.com/ch24/6.htm

Answer 2

不确定你在问什么。如果您询问如何将 FFT 用于图像识别，这里有一些想法。

FFT 可用于执行图像“分类”。它不能用于识别不同的人脸或物体，但可以用于对图像的类型进行分类。FFT 计算图像的空间频率内容。所以比如说自然场景、人脸、城市场景等都会有不同的FFT。因此，您可以对图像甚至图像内进行分类（例如航空照片对地形进行分类）。

此外，FFT 用于图像识别的预处理。它可用于 OCR（光学字符识别）将扫描的图像旋转到正确的方向。输入文本的 FFT 具有很强的方向性。工业自动化中的零件检测也是如此。

Answer 3

我认为您不会发现很多使用傅里叶变换进行图像识别的方法。

在椒盐噪声的情况下，它可以被认为是高频噪声，因此您可以在与目标图像进行比较之前对 FFT 进行低通滤波。我想它会起作用，但是有些相似的不同图像（比如两者都是在外面拍摄的照片）会注册为相同的图像。