教科书是对的,教程是错的。
实值图像在傅里叶域中具有复共轭对称性。这意味着图像的 FFT 将具有特定的对称性。如果您希望逆变换保持实值,您所做的任何处理都必须保持这种对称性。如果你做错了这个处理,那么逆变换将是复值,并且可能是无意义的。
如果您正确地保持傅立叶域中的对称性,则逆变换的虚部将几乎为零(由于数值不精确,可能与零不同)。丢弃这个虚构的组件是正确的做法。计算幅度将产生相同的结果,除了所有负值都将变为正值(请注意,某些过滤器旨在产生负值,例如导数过滤器),并且计算成本增加。
例如,卷积是傅里叶域中的乘法。傅里叶域中的滤波器必须是实值并且围绕原点对称。人们通常会混淆原点在傅立叶域中的位置,并乘以一个看似对称的滤波器,但实际上相对于原点发生了偏移,使其不对称。这种移位引入了逆变换的相位变化(参见傅里叶变换的移位属性)。逆变换的幅度不受相位变化的影响,因此获取该逆变换的幅度会产生看起来不错的输出,除非您希望在滤波器结果中看到负值。最好正确理解 FFT 算法,在傅里叶域中创建一个适当对称的滤波器,并简单地保留逆变换的实部。
尽管如此,一些滤波器专门设计用于打破对称性并产生复值滤波器输出。例如,Gabor 滤波器具有偶数(对称)分量和奇数(反对称)分量。偶数分量产生实值输出,奇数分量产生虚值输出。在这种情况下,感兴趣的是复数值的大小。同样,正交滤波器专门用于产生复值输出。从这个输出,分析信号(或其多维扩展,单基因信号),幅度和相位都是感兴趣的,例如在边缘检测的相位一致性方法中使用。
查看链接的教程,这是行
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
它生成傅里叶域滤波器并将其应用于图像(相当于乘以具有 1 和 0 的滤波器)。本教程正确计算了傅立叶域的原点(尽管对于 Python 3,您将使用它crow,ccol = rows//2 , cols//2
来获得整数除法)。但是上面的过滤器不是围绕那个原点对称的。在 Python 中,crow-30:crow+30
表示原点左侧 30 个像素,右侧仅 29 个像素(不包括右边界!)。正确的过滤器是:
fshift[crow-30:crow+30+1, ccol-30:ccol+30+1] = 0
使用此滤波器,逆变换是纯实数(虚数分量的值在 的顺序1e-13
,即数值误差)。因此,现在可以(并且正确)替换img_back = np.abs(img_back)
为img_back = np.real(img_back)
.