基于Matlab的常用滤波算法研究(含代码)讲解
matlab t1小波滤波算法
matlab t1小波滤波算法Matlab T1小波滤波算法是一种用于信号处理的有效工具。
它可以帮助我们去除噪音、平滑信号、提取特征等。
本文将从介绍小波滤波算法的基本概念开始，然后详细说明如何在Matlab中实现T1小波滤波算法。
小波变换是一种数学变换方法，可以将信号分解为不同尺度的子信号。
通过将信号分解为多个频率段，我们可以更好地理解信号的频谱特征。
利用小波变换的特性，我们可以将信号分解为低频和高频成分。
低频成分包含信号的主要特征，而高频成分包含信号的细节信息。
T1小波滤波算法是一种基于小波变换的滤波方法。
它利用了小波分解和重构的原理，从而实现对信号的滤波处理。
该算法主要包含以下几个步骤：1. 读取信号数据：首先，我们需要在Matlab中读取待处理的信号数据。
这可以通过使用Matlab的读取文件函数来实现。
读取的数据可以是一个矩阵，每一列表示一个时刻的采样。
2. 小波分解：接下来，在Matlab中进行小波分解。
这可以通过调用Matlab 中的小波变换函数来实现。
小波变换函数中的参数包括信号数据和小波基。
小波基决定了小波分解的性质，常用的小波基包括haar小波、db小波等。
3. 提取低频成分：在小波分解后，我们可以得到具有不同尺度的低频和高频子信号。
低频子信号包含了主要特征，而高频子信号包含了信号的细节信息。
在T1小波滤波算法中，我们选择保留低频成分，并将高频成分设为零。
4. 小波重构：接下来，在Matlab中进行小波重构。
这可以通过调用Matlab 中的小波重构函数来实现。
小波重构函数中的参数包括低频成分和高频成分。
在T1小波滤波算法中，我们将高频成分设为零，只保留低频成分。
5. 过滤后的信号：最后，我们可以得到滤波后的信号。
通过比较滤波前后的信号，我们可以发现滤波算法的效果。
滤波后的信号能够减少噪音、平滑信号、提取特征等。
在使用Matlab T1小波滤波算法时，需要注意以下几个问题：1. 选择合适的小波基：不同的小波基具有不同的频谱特性。
matlab中fft滤波
Matlab中FFT滤波1. 介绍在数字信号处理中，滤波是一种常见的信号处理技术，用于去除信号中的噪声或不需要的频率成分。
傅里叶变换（Fourier Transform）是一种将信号从时域转换到频域的方法，而FFT（Fast Fourier Transform）是一种高效的实现傅里叶变换的算法。
在Matlab中，我们可以利用FFT进行信号滤波，以去除噪声或选择特定的频率成分。
本文将详细介绍在Matlab中使用FFT进行滤波的步骤和相关知识。
2. FFT基本原理FFT是一种高效的算法，用于将离散时间域信号转换为离散频率域信号。
它基于傅里叶变换的思想，将一个信号分解为一系列正弦和余弦函数的加权和。
FFT的基本原理如下： 1. 将离散时间域信号分成偶数和奇数点序列。
2. 对偶数点序列进行FFT变换得到频域的偶数点序列。
3. 对奇数点序列进行FFT变换得到频域的奇数点序列。
4. 将偶数点序列和奇数点序列按照一定规则合并，得到完整的频域信号。
3. Matlab中的FFT函数在Matlab中，我们可以使用fft函数进行FFT变换。
fft函数的基本语法如下：Y = fft(X)其中，X是输入的离散时间域信号，Y是输出的离散频率域信号。
4. Matlab中的滤波器设计在进行FFT滤波之前，我们需要设计一个滤波器。
滤波器可以是低通滤波器、高通滤波器或带通滤波器，用于选择特定的频率成分或去除不需要的频率成分。
Matlab提供了多种方法来设计滤波器，包括IIR滤波器（Infinite Impulse Response）和FIR滤波器（Finite Impulse Response）。
其中，FIR滤波器是一种常用的线性相位滤波器，具有较好的频率响应和相位特性。
在Matlab中，我们可以使用fir1函数来设计FIR滤波器。
fir1函数的基本语法如下：b = fir1(N, Wn, type)其中，N是滤波器阶数，Wn是归一化的截止频率，type是滤波器类型（例如，’low’表示低通滤波器）。
粒子滤波算法matlab实例
一、介绍粒子滤波算法粒子滤波算法是一种基于蒙特卡洛方法的非线性、非高斯滤波算法，它通过一组随机产生的粒子来近似表示系统的后验概率分布，从而实现对非线性、非高斯系统的状态估计。
在实际应用中，粒子滤波算法被广泛应用于目标跟踪、导航、机器人定位等领域。
本文将以matlab 实例的形式介绍粒子滤波算法的基本原理和应用。
二、粒子滤波算法的原理及步骤粒子滤波算法的主要原理是基于贝叶斯滤波理论，通过一组随机产生的粒子来近似表示系统的后验概率分布。
其具体步骤如下：1. 初始化：随机生成一组粒子，对于状态变量的初始值和方差的估计，通过随机抽样得到一组粒子。
2. 预测：根据系统模型，对每个粒子进行状态预测，得到预测状态。
3. 更新：根据测量信息，对每个预测状态进行权重更新，得到更新后的状态。
4. 重采样：根据更新后的权重，对粒子进行重采样，以满足后验概率分布的表示。
5. 输出：根据重采样后的粒子，得到对系统状态的估计。
三、粒子滤波算法的matlab实例下面以一个简单的目标跟踪问题为例，介绍粒子滤波算法在matlab中的实现。
假设存在一个目标在二维空间中运动，我们需要通过一系列测量得到目标的状态。
我们初始化一组粒子来近似表示目标的状态分布。
我们根据目标的运动模型，预测每个粒子的状态。
根据测量信息，对每个预测状态进行权重更新。
根据更新后的权重，对粒子进行重采样，并输出对目标状态的估计。
在matlab中，我们可以通过编写一段简单的代码来实现粒子滤波算法。
我们需要定义目标的运动模型和测量模型，然后初始化一组粒子。
我们通过循环来进行预测、更新、重采样的步骤，最终得到目标状态的估计。
四、总结粒子滤波算法是一种非线性、非高斯滤波算法，通过一组随机产生的粒子来近似表示系统的后验概率分布。
在实际应用中，粒子滤波算法被广泛应用于目标跟踪、导航、机器人定位等领域。
本文以matlab实例的形式介绍了粒子滤波算法的基本原理和应用，并通过一个简单的目标跟踪问题，展示了粒子滤波算法在matlab中的实现过程。
基于Matlab的FIR滤波器设计与实现
基于Matlab的FIR滤波器设计与实现⼀、摘要 前⾯⼀篇⽂章介绍了通过FDATool⼯具箱实现滤波器的设计，见“”，这⾥通过⼏个例⼦说明采⽤Matlab语⾔设计FIR滤波器的过程。
⼆、实验平台 Matlab7.1三、实验原理 以低通滤波器为例，其常⽤的设计指标有：1. 通带边缘频率f p(数字频率为Ωp)2. 阻带边缘频率f st (数字频率为Ωst)3. 通带内最⼤纹波衰减δp=-20log10(1-αp)，单位为 dB4. 阻带最⼩衰减αs=-20log10(αs)，单位为 dB5. 阻带起伏αs6. 通带峰值起伏αp 其中，以1、2、3、4条最为常⽤。
5、6条在程序中估算滤波器阶数等参数时会⽤到。
数字频率 = 模拟频率/采样频率四、实例分析例1 ⽤凯塞窗设计⼀FIR低通滤波器，通带边界频率Ωp=0.3pi，阻带边界频率Ωs=0.5pi，阻带衰减δs不⼩于50dB。
⽅法⼀：⼿动计算滤波器阶数N和β值，之后在通过程序设计出滤波器。
第⼀步：通过过渡带宽度和阻带衰减，计算滤波器的阶数B和β值。
第⼆步：通过程序设计滤波器。
程序如下：b = fir1(29,0.4,kaiser(30,4.55));[h1,w1]=freqz(b,1);plot(w1/pi,20*log10(abs(h1)));axis([0,1,-80,10]);grid;xlabel('归⼀化频率/p') ;ylabel('幅度/dB') ;波形如下：⽅法⼆：采⽤[n,Wn,beta,ftype] = kaiserord(f,a,dev)函数来估计滤波器阶数等，得到凯塞窗滤波器。
这⾥的函数kaiserord(f,a,dev)或者kaiserord(f,a,dev,f s)： f为对应的频率，f s为采样频率；当f⽤数字频率表⽰时，f s则不需要写。
a=[1 0]为由f指定的各个频带上的幅值向量，⼀般只有0和1表⽰；a和f长度关系为（2*a的长度）- 2=（f的长度） devs=[0.05 10^(-2.5)]⽤于指定各个频带输出滤波器的频率响应与其期望幅值之间的最⼤输出误差或偏差，长度与a相等，计算公式：阻带衰减误差=αs，通带衰减误差=αp，可有滤波器指标中的3、4条得到。
matlab数据光滑处理 fft滤波
数据光滑处理在信号处理领域中占据着重要的地位，而matlab作为一种强大的数据处理工具，可以通过fft滤波方法实现对数据的光滑处理。
本文将针对matlab数据光滑处理和fft滤波进行详细的介绍和分析，旨在帮助读者更深入地了解这一领域的知识。
一、matlab数据光滑处理的基本概念1.1 数据光滑处理的定义数据光滑处理是指对原始数据进行去噪、平滑等操作，以便更好地展现数据的整体趋势和规律性。
1.2 matlab中数据光滑处理的方法matlab提供了丰富的数据光滑处理函数和工具，如smooth、filter等函数，可实现对数据的平滑处理。
二、fft滤波的基本原理2.1 fft变换的概念快速傅里叶变换（FFT）是一种计算机算法，用于快速计算傅里叶变换。
在信号处理中，fft变换常用于从时域到频域的转换。
2.2 fft滤波的定义fft滤波是利用fft变换对信号进行滤波处理，通过截断高频成分或低频成分来实现数据的光滑处理。
三、matlab中fft滤波的实现3.1 基本步骤matlab中实现fft滤波的基本步骤包括：进行fft变换、滤波处理、进行逆fft变换。
3.2 实例分析以下是一个简单的matlab代码示例，演示了如何使用fft滤波对数据进行光滑处理：```matlab生成随机信号t = 0:0.01:10;x = cos(2*pi*1*t) + 0.5*cos(2*pi*10*t) + randn(size(t));进行fft变换X = fft(x);设置滤波器H = zeros(size(X));H(1:10) = 1;滤波Y = X.*H;进行逆fft变换y = ifft(Y);绘制结果subplot(2,1,1);plot(t,x);title('原始信号');subplot(2,1,2);plot(t,y);title('滤波处理后的信号');```四、数据光滑处理和fft滤波在实际应用中的意义4.1 信号处理领域数据光滑处理和fft滤波在信号处理领域中具有广泛的应用，可帮助分析和提取信号中的有用信息。
基于matlab各滤波器源代码
汉明窗的FIR低通滤波：Fs=22050;[x,FS,bits]=wavread('G:\Users\DP\Desktop\SoundTest.wav');%G:\Users\DP\Desktop \SoundTest.wav G:\Users\DP\Desktop\好铃网-湖人掘金宣传片.wavx=x(:,1);figure(1);subplot(2,1,1);plot(x);%sound(x,FS,bits); %回放语音title('语音信号时域波形图')y=fft(x,3260);f=(FS/3260)*[1:1630];subplot(2,1,2);plot(f(1:1630),abs(y(1:1630)));title('语音信号频谱图');%产生噪声信号并加到语音信号t=0:length(x)-1;zs0=0.05*cos(2*pi*100*t/22050);figure(2);subplot(2,1,1)plot(zs0)title('噪声信号波形');zs1=fft(zs0,1200);%sound(zs0,FS,bits);%回放噪音f=(FS/1200)*[1:600];subplot(2,1,2)plot(f(1:600),abs(zs1(1:600)));title('噪声信号频谱');%sound(x1,FS,bits); %回放加入噪声后的语音y1=fft(x1,1200);figure(3);subplot(2,1,1);plot(x1);f=(FS/1200)*[1:600];subplot(2,1,2);plot(f(1:600),abs(y1(1:600)));title('加入噪声后的信号波形');title('加入噪声后的信号频谱');%加窗滤波wp=0.25*pi;ws=0.3*pi;wdelta=ws-wp;N=ceil(6.6*pi/wdelta); %取整t=0:(size(x1)-1);wn=(0.2+0.3)*pi/2;b=fir1(N,wn/pi,hamming(N+1)); %选择窗函数，并归一化截止频率f1=fftfilt(b,x1);figure(4)freqz(b,1,512)[h1,w1]=freqz(b,1);plot(w1*FS/(2*pi),20*log10(abs(h1)));figure(5)subplot(2,1,1)plot(t,x1)title('滤波前的时域波形');subplot(2,1,2)title('滤波后的时域波形');sound(f1); %播放滤波后的语音信号F0=fft(f1,1024);f=FS*(0:511)/1024;figure(6)y2=fft(x1,1024);subplot(2,1,1);plot(f,abs(y2(1:512))); %画出滤波前的频谱图title('滤波前的频谱')xlabel('Hz');ylabel('fuzhi');subplot(2,1,2)F1=plot(f,abs(F0(1:512))); %画出滤波后的频谱图title('滤波后的频谱')xlabel('Hz');ylabel('fuzhi');巴特沃兹低通滤波器：Fs=22050;[x,FS,bits]=wavread('G:\Users\DP\Desktop\SoundTest.wav');%G:\Users\DP\Desktop \SoundTest.wav G:\Users\DP\Desktop\好铃网-湖人掘金宣传片.wavx=x(:,1);figure(1);subplot(2,1,1);plot(x);%sound(x,FS,bits); %回放语音title('语音信号时域波形图')y=fft(x,3260);f=(FS/1630)*[1:1630];subplot(2,1,2);plot(f(1:1630),abs(y(1:1630)));title('语音信号频谱图');%产生噪声信号并加到语音信号t=0:length(x)-1;zs=0.05*cos(2*pi*10000*t/22050);zs0=0.05*cos(2*pi*10000*t/22050000); figure(2);subplot(2,1,1)plot(zs0)title('噪声信号波形');zs1=fft(zs,1200);%sound(zs,FS,bits); %回放噪音subplot(2,1,2)plot(f(1:600),abs(zs1(1:600)));title('噪声信号频谱');x1=x+zs';sound(x1,FS,bits); %回放加入噪声后的语音y1=fft(x1,1200);figure(3);subplot(2,1,1);plot(x1);title('加入噪声后的信号波形');subplot(2,1,2);plot(f(1:600),abs(y1(1:600)));title('加入噪声后的信号频谱');%低通滤波fp=3000;fs=3500;Fs=22050;rp=1;rs=10;wp=2*pi*fp/Fs;ws=2*pi*fs/Fs;Fs1=1;wap=2*tan(wp/2);was=2*tan(ws/2);[N,wc]=buttord(wap,was,rp,rs,'s');[B,A]=butter(N,wc,'s');[Bz,Az]=bilinear(B,A,Fs1);figure(4);[h,w]=freqz(Bz,Az,512,Fs1*22050);plot(w,abs(h));title('巴特沃斯低通滤波器');xlabel('频率（HZ）');ylabel('耗损（dB）');grid on;yd=filter(Bz,Az,x1);figure(5);subplot(2,1,1);plot(yd); title('滤波后信号波形');ydd=fft(yd,1200);subplot(2,1,2);plot(f(1:600),abs(ydd(1:600)));title('滤波后信号频谱');%sound(yd,FS,bits);巴特沃兹高通滤波器：Fs=22050;[x,FS,bits]=wavread('G:\Users\DP\Desktop\SoundTest.wav'); x=x(:,1);figure(1);subplot(2,1,1);plot(x);%sound(x,FS,bits); %回放语音title('语音信号时域波形图')y=fft(x,3260);f=(FS/1630)*[1:1630];subplot(2,1,2);plot(f(1:1630),abs(y(1:1630)));title('语音信号频谱图');%产生噪声信号并加到语音信号t=0:length(x)-1;zs0=0.25*cos(2*pi*100*t/22050);figure(2);subplot(2,1,1)plot(zs0)title('噪声信号波形');zs1=fft(zs0,1200);%sound(zs0,FS,bits); %回放噪音subplot(2,1,2)plot(f(1:600),abs(zs1(1:600)));title('噪声信号频谱');x1=x+zs0';%sound(x1,FS,bits); %回放加入噪声后的语音y1=fft(x1,1200);figure(3);subplot(2,1,1);plot(x1);title('加入噪声后的信号波形');subplot(2,1,2);plot(f(1:600),abs(y1(1:600)));title('加入噪声后的信号频谱');%高通滤波fp=400;fs=300;Fs=22050;rp=1;rs=10;wp=2*pi*fp/Fs;ws=2*pi*fs/Fs;T=1;Fs1=1;wap=2*tan(wp/2);was=2*tan(ws/2);[N,wc]=buttord(wap,was,rp,rs,'s');[B,A]=butter(N,wc,'high','s');[Bz,Az]=bilinear(B,A,Fs1);figure(4);[h,w]=freqz(Bz,Az,512,Fs1*22050);plot(w,abs(h));title('巴特沃斯高通滤波器');xlabel('频率（HZ）');ylabel('耗损（dB）');grid on;yd=filter(Bz,Az,x1);figure(5);subplot(2,1,1);plot(yd); title('滤波后信号波形');ydd=fft(yd,1200);subplot(2,1,2);plot(f(1:600),abs(ydd(1:600)));title('滤波后信号频谱');%sound(yd,FS,bits)巴特沃兹带通滤波器：Fs=22050;[x,FS,bits]=wavread('G:\Users\DP\Desktop\SoundTest.wav');x=x(:,1);figure(1);subplot(2,1,1);plot(x);%sound(x,FS,bits); %回放语音title('语音信号时域波形图')y=fft(x,3260);f=(FS/1630)*[1:1630];subplot(2,1,2);plot(f(1:1630),abs(y(1:1630)));title('语音信号频谱图');%产生噪声信号并加到语音信号t=0:length(x)-1;zs0=0.05*cos(2*pi*100*t/22050);figure(2);subplot(2,1,1)plot(zs0)title('噪声信号波形');zs1=fft(zs0,1200);%sound(zs,FS,bits); %回放噪音subplot(2,1,2)plot(f(1:600),abs(zs1(1:600)));title('噪声信号频谱');x1=x+zs0';%sound(x1,FS,bits); %回放加入噪声后的语音y1=fft(x1,1200);figure(3);subplot(2,1,1);plot(x1);title('加入噪声后的信号波形');subplot(2,1,2);plot(f(1:600),abs(y1(1:600)));title('加入噪声后的信号频谱');%带通滤波fp=[800,9000];fs=[700,10000];Fs=22050;rp=1;rs=10;wp=2*pi*fp/Fs;ws=2*pi*fs/Fs;T=1;Fs1=1;wap=2*tan(wp/2);was=2*tan(ws/2);[N,wc]=buttord(wap,was,rp,rs,'s');[B,A]=butter(N,wc,'s');[Bz,Az]=bilinear(B,A,Fs1);figure(4);[h,w]=freqz(Bz,Az,512,Fs1*22050);plot(w,abs(h));title('巴特沃斯带通滤波器');xlabel('频率（HZ）');ylabel('耗损（dB）'); grid on;yd=filter(Bz,Az,x1);figure(5);subplot(2,1,1);plot(yd);ydd=fft(yd,1200);subplot(2,1,2);plot(f(1:600),abs(ydd(1:600))); %sound(yd,FS,bits)Blackman加窗高通滤波器：Fs=22050;[x,FS,bits]=wavread('G:\Users\DP\Desktop\SoundTest.wav'); x=x(:,1);figure(1);subplot(2,1,1);plot(x);%sound(x,FS,bits); %回放语音title('语音信号时域波形图')y=fft(x,3260);f=(FS/1630)*[1:1630];subplot(2,1,2);plot(f(1:1630),abs(y(1:1630)));title('语音信号频谱图');%产生噪声信号并加到语音信号%产生噪声信号并加到语音信号t=0:length(x)-1;zs0=0.05*cos(2*pi*100*t/22050);figure(2);subplot(2,1,1)plot(zs0)title('噪声信号波形');zs1=fft(zs0,1200);%sound(zs,FS,bits); %回放噪音subplot(2,1,2)plot(f(1:600),abs(zs1(1:600)));title('噪声信号频谱');x1=x+zs0';%sound(x1,FS,bits); %回放加入噪声后的语音y1=fft(x1,1200);figure(3);subplot(2,1,1);plot(x1);title('加入噪声后的信号波形'); subplot(2,1,2);plot(f(1:600),abs(y1(1:600)));title('加入噪声后的信号频谱');%高通加窗滤波fp=600,fc=400;wp=2*pi*fp/FS;ws=2*pi*fc/FS;Bt=wp-ws;N0=ceil(11*pi/Bt);N=N0+mod(N0+1,2);wc=(wp+ws)/2/pi;hn=fir1(N-1,wc,'high',blackman(N)); X=conv(hn,x);%sound(X,FS,bits);X1=fft(X,1200);figure(4);subplot(211);plot(X);title('滤波后的信号波形');subplot(212);plot(f(1:600),abs(X1(1:600)));title('滤波后的信号频谱')。
如何利用Matlab技术进行数字滤波
如何利用Matlab技术进行数字滤波数字滤波是一种广泛应用于信号处理和图像处理中的技术。
而Matlab作为一种强大的数学软件工具，在数字滤波方面也有很高的应用价值。
本文将介绍如何利用Matlab技术进行数字滤波，从概念到具体实现，帮助读者更好地掌握这一技术。
一、数字滤波的基本概念数字滤波是一种对数字信号进行处理的技术，通过改变信号的频率特性或时域特性，达到去除或强调信号中某些成分的目的。
数字滤波可以分为无限长脉冲响应（IIR）滤波器和有限长脉冲响应（FIR）滤波器两种。
二、Matlab中数字滤波的基本函数在Matlab中，数字滤波可以使用一些基本函数实现。
其中最常用的是fir1和filter函数。
fir1函数用于设计FIR滤波器的滤波器系数，而filter函数用于对信号进行滤波处理。
三、设计FIR滤波器FIR滤波器是一种非递归滤波器，其系统函数是有限长的。
在Matlab中，可以使用fir1函数对FIR滤波器的系数进行设计。
fir1函数的输入参数包括滤波器阶数、截止频率以及窗函数类型等。
通过调节这些参数，可以设计出不同的FIR滤波器。
四、对信号进行滤波处理在得到FIR滤波器的系数后，可以使用filter函数对信号进行滤波处理。
filter函数的输入参数包括滤波器系数和待滤波的信号等。
通过调用filter函数，可以对信号进行低通滤波、高通滤波或带通滤波等操作。
五、实例演示为了更好地理解如何利用Matlab进行数字滤波，下面将通过一个实例对其进行演示。
假设有一个包含高频噪声的信号，我们希望去除这些噪声，得到清晰的信号。
首先，我们使用fir1函数设计一个低通滤波器。
假设我们希望截止频率为1kHz，滤波器阶数为100。
通过调用fir1函数，得到该滤波器的系数。
接下来，我们生成一个包含高频噪声的信号，并加上一些正弦波成分。
我们将这个信号输入到filter函数中，利用之前得到的滤波器系数进行滤波处理。
最终，我们可以得到去除了噪声的清晰信号。
基于Matlab的同态滤波算法的研究
第２ 期 ６
２１ ０ ０年 ９月
科
学
技
术
与
工
程
Ｖｏ ．１ Ｎｏ ２６ Ｓｅ ． ０１ １ ０ ． ｐ２ ０
１７ — １ １ ２ １ ２ —５ ２０ ６ １ ８ ５（ ０ ０） ６ ６ ６ ・ ３
Ｓ ｉｎｃ ｅ ｈｎ ｌ ｇ ｎ ｇｎｅ ｒｎ ｃ ｅ ｅ Ｔ ｃ ｏｏ ｙ ａ ｄ Ｅｎ ｉ ｅｉ ｇ
⑥
２ １ ＳｉＴ ｃ． ｎｎ ． ０ ０ ｃ． ｅｈＥ ｇｇ
基 于 Ｍａｌｂ的 同态滤 波算 法 的研 究 ｔ ａ
王冬 梅 路 敬讳 王 秀芳
（ 北 石 油 大 学 电 气 信息 丁程 学 院 ， 庆 ｌ３ １ ） 东 大 ６ ３ ８
摘
要
研究 了基于 ＦＴ Ｆ ｒ的同态滤波算法和基于 ｗＴ的 同态滤波法算 法， 并应用 Ｍａａ ｔ ｂ软件仿 真实现 了上述 算法。仿真结 ｌ
字图 像 增 强 技 术 的 文 献 进 行 理 解 和 综 合 的 基 础
上 ¨ ， 究 了频率域 图像 增强 的典 型算 法 。 研
１ 频域的图像增强
在 变换域 进行 图像 增 强 操 作 的算 法 ， 本原 理 基 都 是让 图像 在 变 换 域 某 个 范 围 内 的 分 量 受 到 抑 制 而让其 它分量不 受 影 响 ， 而 改 变输 出图 像 的频 率 从 分 布 ， 到 增 强 的 目的 。变 换 域 是 由傅 里 叶 、 波 达 小
中的应用 效 果 和应 用 价 值 。 本 文 在 对 目前 有 关 数
Ｇ “ 经 过传 递 函 数 的相 乘 修 改原 图像 的频 谱 而 （ ，） 得到 ， 后再 对该 图像频 谱 Ｇ “ 进 行逆傅 里 叶变 最 （ ，）