5.图像的频域增强及傅里叶变换
图像增强的基本原理
图像增强的基本原理图像增强是一种用于改善图像视觉质量或提取目标特征的技术。
它通过改变图像的亮度、对比度、颜色、清晰度等属性来增强图像的可视性和可识别性。
图像增强的基本原理可以归纳为以下几点：1. 空域增强：采用空域操作，即对图像的每个像素进行操作。
常见的空域增强方法有直方图均衡化、灰度拉伸、滤波等。
直方图均衡化通过重新分布图像中像素的亮度来增加图像的对比度，灰度拉伸则通过线性转换将图像的亮度范围拉伸到整个灰度级范围内。
滤波则通过应用低通、高通、中通等滤波器来增强图像的细节和轮廓。
2. 频域增强：采用频域操作，即将图像转换到频域进行处理。
常见的频域增强方法有傅里叶变换、小波变换等。
傅里叶变换可以将图像从空域转换到频域，通过对频谱进行滤波操作来增强图像的细节和边缘。
小波变换则可以将图像分解为不同频率的子带，可以更加灵活地选择性地增强特定频率的信息。
3. 增强算法：通过应用特定的增强算法来增强图像的视觉效果。
常用的增强算法有Retinex算法、CLAHE算法等。
Retinex算法通过模拟人眼对光源的自适应调整能力来增强图像的亮度和对比度，CLAHE算法则通过分块对比度受限的直方图均衡化来增强图像的细节和纹理。
4. 机器学习方法：利用机器学习算法对图像进行增强。
通过训练模型，学习图像的特征和上下文信息，然后根据学习到的模型对图像进行增强处理。
常见的机器学习方法包括卷积神经网络、支持向量机等。
综上所述，图像增强的基本原理包括空域增强、频域增强、增强算法和机器学习方法等。
这些原理可以单独或结合使用，根据图像的特点和需求，选择合适的方法来对图像进行增强处理，以获得更好的图像视觉质量和目标特征提取效果。
实验五--图像频域变换
实验五图像频域变换一、实验目的1.了解傅里叶变换在图像处理中的应用2.利用Matlab语言编程实现图像的频域变换。
二、实验内容1. 打开并显示一幅图像，对其进行Fourier变换，观察其频谱图像。
2. 用两种方法将图像的频域中心移动到图像中心，然后观察其Fourier变换后的频谱图像。
（见Fourier变换的性质：f(x,y) (-1)x+y F(u-N/2,v-N/2)）对图像的Fourier变换频谱进行滤波，如：将频谱超过某个给定的值（均值或2/3均值）的变换值变为0，然后再求其Fourier逆变换，比较所得图像与原图像的差别。
3.对图像进行离散余弦变换，并观察其变换域图像。
要求：用Matlab语言进行编程实现上述功能，同时也应该熟悉用Matlab中现有的函数来实现。
傅里叶变换A)傅里叶变换基本操作I = imread(你的图像);imshow(I);title('源图像');J = fft2(I);figure, imshow(J);title('傅里叶变换');%频移JSh = fftshift(J);figure, imshow(JSh);title('傅里叶变换频移');%直接傅里叶反变换Ji = ifft2(J);figure, imshow(Ji/256);title('直接傅里叶反变换');%幅度JA = abs(J);iJA = ifft2(JA);figure, imshow(iJA/256);title('幅度傅里叶反变换');%相位JP = angle(J);iJP = ifft2(JP);figure, imshow(abs(iJP)*100);title('相位傅里叶反变换');B)利用MATLAB软件实现数字图像傅里叶变换的程序I=imread(‘原图像名.gif’); %读入原图像文件imshow(I); %显示原图像fftI=fft2(I); %二维离散傅里叶变换sfftI=fftshift(fftI); %直流分量移到频谱中心RR=real(sfftI); %取傅里叶变换的实部II=imag(sfftI); %取傅里叶变换的虚部A=sqrt(RR.^2+II.^2);%计算频谱幅值A=（A-min(min(A))）/(max(max(A))-min(min(A)))*225;%归一化figure; %设定窗口imshow(A); %显示原图像的频谱C)绘制一个二值图像矩阵,并将其傅里叶函数可视化。
数字图像处理(冈萨雷斯)课件5-频域增强
滤波在频率域中更为直观，但在空间域一般使用更小 的滤波器模板
可以在频率域指定滤波器，做反变换，然后在空间域 使用结果滤波器作为在空间域构建小滤波器模板的指导
频率域滤波
高斯频率域低通滤波器函数
H u Ae
u 2 / 2 2
对应空间域高斯低通滤波器为 h x 2 Ae 2 x
理想低通滤波器举例——具有振铃现象
结论：半径D0越小，模糊越大；半径D0越大，模糊越小
半径是5的理想低通滤 原图 波,滤除8%的总功率， 模糊说明多数尖锐细 节在这8%的功率之内
半径是15的理想低通 滤波,滤除5.4%的总 功率
半径是30的理想低通滤 波,滤除3.6%的总功率
半径是230的理想低通 滤波,滤除0.5%的总功 半径是80的理想低通 滤波,滤除2%的总功率 率，与原图接近说明 边缘信息在0.5%以上 的功率中
2 2
1 2
频率域图像增强
理想低通滤波器
说明：在半径为D0的圆内，所有频率没有衰减地通过滤 波器，而在此半径的圆之外的所有频率完全被衰减掉
频率域图像增强
理想低通滤波器
总图像功率值PT
P T Pu, v
u0 v0
M 1 N 1
Pu, v F u, v Ru, v I u, v
说明空间域乘法可以通过频率域的卷积获得 上述两个公式主要为两个函数逐元素相乘的 乘法
频率域滤波
定义：在(x0,y0)，强度为A的冲激函数表示为
Axx0, y y0 ,定义为
M 1 N 1 x0 y 0
sx, yA x x , y y Asx , y
数字图像处理试题及答案
数字图像处理试题及答案一、单项选择题（每题2分，共10分）1. 数字图像处理中，图像的灰度变换不包括以下哪一项？A. 对数变换B. 幂律变换C. 直方图均衡化D. 图像锐化答案：D2. 在数字图像处理中，边缘检测的目的是：A. 提取图像中的纹理信息B. 提取图像中的边缘信息C. 增强图像的对比度D. 改变图像的颜色分布答案：B3. 下列哪种滤波器用于平滑图像？A. 高通滤波器B. 低通滤波器C. 带通滤波器D. 带阻滤波器答案：B4. 在数字图像处理中，图像的几何变换不包括以下哪一项？B. 缩放C. 剪切D. 颜色变换答案：D5. 在数字图像处理中，以下哪种方法用于图像分割？A. 阈值处理B. 边缘检测C. 直方图分析D. 颜色量化答案：A二、多项选择题（每题3分，共15分）6. 数字图像处理中的图像增强技术包括：A. 直方图均衡化B. 锐化C. 噪声滤除D. 图像压缩答案：ABC7. 在数字图像处理中，以下哪些是空间域的图像增强方法？A. 直方图均衡化B. 中值滤波C. 拉普拉斯算子D. 傅里叶变换8. 数字图像处理中，以下哪些是频域的图像增强方法？A. 低通滤波B. 高通滤波C. 带通滤波D. 傅里叶变换答案：ABC9. 在数字图像处理中，以下哪些是图像的几何变换？A. 旋转B. 缩放C. 平移D. 颜色变换答案：ABC10. 数字图像处理中，以下哪些是图像分割的方法？A. 阈值处理B. 边缘检测C. 区域生长D. 颜色量化答案：ABC三、简答题（每题5分，共20分）11. 简述数字图像处理中边缘检测的基本原理。
答案：边缘检测的基本原理是识别图像中亮度变化剧烈的区域，这些区域通常对应于物体的边界。
通过应用边缘检测算子，如Sobel算子、Prewitt算子或Canny算子，可以突出图像中的边缘，从而为后续的图像分析和处理提供重要信息。
12. 描述数字图像处理中直方图均衡化的目的和效果。
答案：直方图均衡化的目的是改善图像的对比度，使图像的直方图分布更加均匀。
5.图像的频域增强及傅里叶变换
5.图像的频域增强及傅里叶变换傅立叶变换在图像处理中有非常非常的作用。
因为不仅傅立叶分析涉及图像处理的很多方而，傅立叶的改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。
印象中，傅立叶变换在图像处理以下几个话题都有重要作用：1.图像增强与图像去噪绝大部分噪音都是图像的高频分呈：，通过低通滤波器来滤除髙频一一噪声；边缘也是图像的髙频分量，可以通过添加髙频分量来增强原始图像的边缘；2•图像分割Z边缘检测提取图像高频分量3.图像特征提取：形状特征：傅里叶描述子纹理特征：直接通过傅里叶系数来汁算纹理特征英他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性4.图像压缩可以直接通过傅里叶系数来压缩数据：常用的离散余弦变换是傅立叶变换的实变换：傅立叶变换傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。
连续情况下要求原始信号在一个周期内满足绝对可积条件。
离散情况下，傅里叶变换一左存在。
冈萨雷斯版＜图像处理＞里而的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。
棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决泄。
傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。
当我们考虑光时, 讨论它的光谱或频率谱。
同样,傅立叶变换使我们能通过频率成分来分析一个函数。
傅立叶变换有很多优良的性质。
比如线性，对称性（可以用在计算信号的傅里叶变换里而）；时移性：函数在时域中的时移，对应于其在频率域中附加产生的相移，而幅度频谱则保持不变；频移性：函数在时域中乘以』wt,可以使整个频谱搬移W U这个也叫调制左理，通讯里而信号的频分复用需要用到这个特性（将不同的信号调制到不同的频段上同时传输）: 卷积泄理：时域卷积等于频域乘枳：时域乘积等于频域卷积（附加一个系数）。
（图像处理里而这个是个重点）信号在频率域的表现在频域中，频率越大说明原始信号变化速度越快：频率越小说明原始信号越平缓。
频域滤波增强原理及其基本步骤
频域滤波增强原理及其基本步骤1. 引言频域滤波增强是一种常用的图像增强技术，通过将图像从空域转换到频域进行滤波操作，然后再将图像从频域转换回空域，从而改善图像的质量。
本文将详细解释频域滤波增强的原理及其基本步骤。
2. 基本原理频域滤波增强的基本原理是利用图像在频域中的特性来进行图像增强。
在频域中，不同频率的成分对应着不同的图像细节信息。
通过选择性地增强或抑制不同频率成分，可以改变图像的对比度、清晰度和细节。
频域滤波增强主要依赖于傅里叶变换和逆傅里叶变换。
傅里叶变换将一个时域信号转换为其在频域中的表示，逆傅里叶变换则将一个频域信号转换回时域。
3. 常见步骤频域滤波增强通常包括以下几个步骤：步骤1：图像预处理在进行频域滤波增强之前，通常需要对图像进行预处理。
预处理包括去噪、平滑和锐化等操作。
去噪可以使用一些常见的降噪算法，如中值滤波、高斯滤波等。
平滑可以通过低通滤波器实现，用于抑制图像中的高频成分。
锐化可以通过高通滤波器实现，用于增强图像中的细节。
步骤2：傅里叶变换将经过预处理的图像进行傅里叶变换，将其转换为频域表示。
傅里叶变换将图像分解为一系列的正弦和余弦函数，每个函数对应一个特定的频率成分。
在频域中，低频成分对应着图像的整体亮度和颜色信息，而高频成分对应着图像的细节信息。
步骤3：频域滤波在频域中对图像进行滤波操作，选择性地增强或抑制不同频率成分。
常见的频域滤波器包括低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。
低通滤波器可以保留图像中的低频成分，抑制高频成分，用于平滑图像。
高通滤波器可以抑制低频成分，增强高频细节，用于锐化图像。
步骤4：逆傅里叶变换将经过滤波操作的频域图像进行逆傅里叶变换，将其转换回时域表示。
逆傅里叶变换将频域信号重建为原始的时域信号。
通过逆傅里叶变换，我们可以得到经过频域滤波增强后的图像。
步骤5：后处理对经过逆傅里叶变换得到的图像进行后处理，包括亮度调整、对比度增强和锐化等操作。
傅里叶变换及其在图像处理中的应用
傅里叶变换及其在数字图像处理中的应用王家硕 学号：1252015一、 Fourier 变换1. 一维连续傅里叶变换设 f (x)为x 的实变函数，如果f (x)满足下面的狄里赫莱条件： （1）具有有限个间隔点。
（2）具有有限个极点。
（3）绝对可积。
则 f (x )的傅里叶变换（Fourier Transformation ，FT ）定义为: Fourier 正变换：dt e t f t f f F t j ⎰+∞∞--==ωω)()]([)(；Fourier 逆变换：ωωπωd e f t F f t f t j ⎰∞+∞---==)(21)]([)(1，式中：1-=j ，ω 为频域变量。
f (x )与F (w )构成傅里叶变换对，可以证明傅里叶变换对总是存在的。
由于f (x )为实函数，则它的傅里叶变换F (w )通常是复函数，于是F (w )可写成F (w ) = R (w ) + j I (w ) (1)式中：R (w )和I (w )分别是F (w )的实部和虚部。
公式1可表示为指数形式：式中：F (w ) 为f (x )的傅里叶幅度谱，f (w )为f (x )的相位谱。
2. 二维连续傅里叶变换如果二维函数f (x , y )是连续可积的，即∞<⎰⎰+∞∞-dxdy y x f |),(，且F (u , v )是可积的，则二维连续傅里叶变换对可表示为：dt e y x f v u F t j ⎰⎰+∞∞--+∞∞-=ω),(),(dt e v u F y x F t j ⎰⎰∞+∞-∞+∞-=ω),(),(对于图像 f (x, y)，F(u, v)是它的频谱。
变量u 是对应于x 轴的空间频率，变量v 是对应于y 轴的空间频率，与在一维的情况类似，可定义二维傅里叶变换的幅度谱和相位谱为：3.一维离散傅里叶变换对一个连续函数f (x)等间隔采样可得到一个离散序列。
设共采样N个，则这个离散序列可表示为{ f (0), f (1), f (2), , f (N -1)}。
图像增强的实现方法
图像增强的实现方法图像增强是指通过一系列处理方法，改善或提高原始图像的视觉质量，使其更适合特定应用需求。
图像增强技术在计算机视觉、图像处理、模式识别等领域中具有广泛应用，能够帮助我们从原始图像中提取更多有用信息，强调图像的特定特征，改善人眼对图像的感知效果。
本文将介绍图像增强的实现方法，并详细阐述其中的几种常用技术。
1. 空域增强方法空域增强方法是最常用的图像增强方法之一。
其基本思想是直接对图像的像素值进行处理。
常见的空域增强方法包括直方图均衡化、图像锐化和滤波技术等。
直方图均衡化是一种常用的直方图拉伸方法，通过调整图像像素的灰度分布来增强对比度。
具体操作是先计算图像的直方图，然后根据直方图构建一个累积分布函数（CDF），最后利用CDF对每个像素值进行重新映射，以达到增强图像对比度的目的。
图像锐化是通过增强图像的高频分量来提高图像的细节信息。
常见的图像锐化方法有拉普拉斯锐化和边缘增强等。
拉普拉斯锐化方法一般通过对原始图像进行卷积操作，得到图像的拉普拉斯增强图像，进而将其与原始图像进行加权叠加，以增强图像的细节和边缘信息。
滤波技术是通过对图像进行滤波操作，来提取或增强图像中的某些信息。
常用的滤波方法有平滑滤波和锐化滤波等。
平滑滤波技术主要用于图像去噪，通过将每个像素的值与其周围邻域像素的值进行平均或加权平均，减小噪声对图像的影响。
锐化滤波技术则用于增强图像的边缘和细节信息，常见的锐化滤波器有Sobel算子和Laplacian算子等。
2. 频域增强方法频域增强方法是通过对图像的频谱进行处理来实现的。
它基于傅里叶变换的原理，可以将图像从空域转化到频域，然后对频域数据进行增强处理后，再通过逆傅里叶变换将图像还原回空域。
频域增强方法常见的技术有傅里叶变换、滤波器设计和小波变换等。
傅里叶变换将图像从空域转化到频域，将图像的空间域信息转化为频率域信息，可以方便地观察和处理图像的频谱分布。
通过对图像的傅里叶变换结果进行滤波操作，可以实现图像的频域增强。
- 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)。
5. 图像的频域增强及傅里叶变换傅立叶变换在图像处理中有非常非常的作用。
因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法，比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。
印象中，傅立叶变换在图像处理以下几个话题都有重要作用：1.图像增强与图像去噪绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘；2.图像分割之边缘检测提取图像高频分量3.图像特征提取：形状特征：傅里叶描述子纹理特征：直接通过傅里叶系数来计算纹理特征其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性4.图像压缩可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换；傅立叶变换傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。
连续情况下要求原始信号在一个周期内满足绝对可积条件。
离散情况下，傅里叶变换一定存在。
冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。
棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。
傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。
当我们考虑光时,讨论它的光谱或频率谱。
同样,傅立叶变换使我们能通过频率成分来分析一个函数。
傅立叶变换有很多优良的性质。
比如线性，对称性（可以用在计算信号的傅里叶变换里面）;时移性：函数在时域中的时移，对应于其在频率域中附加产生的相移，而幅度频谱则保持不变；频移性：函数在时域中乘以，可以使整个频谱搬移w。
这个也叫调制定理，通讯里面信号的频分复用需要用到这个特性（将不同的信号调制到不同的频段上同时传输）；卷积定理：时域卷积等于频域乘积；时域乘积等于频域卷积（附加一个系数）。
（图像处理里面这个是个重点）信号在频率域的表现在频域中，频率越大说明原始信号变化速度越快；频率越小说明原始信号越平缓。
当频率为0时，表示直流信号，没有变化。
因此，频率的大小反应了信号的变化快慢。
高频分量解释信号的突变部分，而低频分量决定信号的整体形象。
在图像处理中，频域反应了图像在空域灰度变化剧烈程度，也就是图像灰度的变化速度，也就是图像的梯度大小。
对图像而言，图像的边缘部分是突变部分，变化较快，因此反应在频域上是高频分量；图像的噪声大部分情况下是高频部分；图像平缓变化部分则为低频分量。
也就是说，傅立叶变换提供另外一个角度来观察图像，可以将图像从灰度分布转化到频率分布上来观察图像的特征。
书面一点说就是，傅里叶变换提供了一条从空域到频率自由转换的途径。
对图像处理而言，以下概念非常的重要：图像高频分量：图像突变部分；在某些情况下指图像边缘信息，某些情况下指噪声，更多是两者的混合；低频分量：图像变化平缓的部分，也就是图像轮廓信息高通滤波器：让图像使低频分量抑制，高频分量通过低通滤波器：与高通相反，让图像使高频分量抑制，低频分量通过带通滤波器：使图像在某一部分的频率信息通过，其他过低或过高都抑制还有个带阻滤波器，是带通的反。
模板运算与卷积定理在时域内做模板运算，实际上就是对图像进行卷积。
模板运算是图像处理一个很重要的处理过程，很多图像处理过程，比如增强/去噪（这两个分不清楚），边缘检测中普遍用到。
根据卷积定理，时域卷积等价与频域乘积。
因此，在时域内对图像做模板运算就等效于在频域内对图像做滤波处理。
比如说一个均值模板，其频域响应为一个低通滤波器；在时域内对图像作均值滤波就等效于在频域内对图像用均值模板的频域响应对图像的频域响应作一个低通滤波。
图像去噪图像去噪就是压制图像的噪音部分。
因此，如果噪音是高频额，从频域的角度来看，就是需要用一个低通滤波器对图像进行处理。
通过低通滤波器可以抑制图像的高频分量。
但是这种情况下常常会造成边缘信息的抑制。
常见的去噪模板有均值模板，高斯模板等。
这两种滤波器都是在局部区域抑制图像的高频分量，模糊图像边缘的同时也抑制了噪声。
还有一种非线性滤波-中值滤波器。
中值滤波器对脉冲型噪声有很好的去掉。
因为脉冲点都是突变的点，排序以后输出中值，那么那些最大点和最小点就可以去掉了。
中值滤波对高斯噪音效果较差。
椒盐噪声：对于椒盐采用中值滤波可以很好的去除。
用均值也可以取得一定的效果，但是会引起边缘的模糊。
高斯白噪声：白噪音在整个频域的都有分布，好像比较困难。
冈萨雷斯版图像处理P185：算术均值滤波器和几何均值滤波器（尤其是后者）更适合于处理高斯或者均匀的随机噪声。
谐波均值滤波器更适合于处理脉冲噪声。
图像增强有时候感觉图像增强与图像去噪是一对矛盾的过程，图像增强经常是需要增强图像的边缘，以获得更好的显示效果，这就需要增加图像的高频分量。
而图像去噪是为了消除图像的噪音，也就是需要抑制高频分量。
有时候这两个又是指类似的事情。
比如说，消除噪音的同时图像的显示效果显着的提升了，那么，这时候就是同样的意思了。
常见的图像增强方法有对比度拉伸，直方图均衡化，图像锐化等。
前面两个是在空域进行基于像素点的变换，后面一个是在频域处理。
我理解的锐化就是直接在图像上加上图像高通滤波后的分量，也就是图像的边缘效果。
对比度拉伸和直方图均衡化都是为了提高图像的对比度，也就是使图像看起来差异更明显一些，我想，经过这样的处理以后，图像也应该增强了图像的高频分量，使得图像的细节上差异更大。
同时也引入了一些噪音。
冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。
棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。
傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。
当我们考虑光时,讨论它的光谱或频率谱。
同样, 傅立叶变换使我们能通过频率成分来分析一个函数。
图像傅立叶变换的物理意义。
图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。
如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。
傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。
从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。
从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。
换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。
傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。
由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。
为什么要提梯度因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。
傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。
一般来讲，梯度大则该点的亮度强，否则该点亮度弱。
这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。
对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。
将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰。
另外我还想说明以下几点：1、图像经过二维傅立叶变换后，其变换系数矩阵表明：若变换矩阵Fn原点设在中心，其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区)。
若所用的二维傅立叶变换矩阵Fn 的原点设在左上角，那么图像信号能量将集中在系数矩阵的四个角上。
这是由二维傅立叶变换本身性质决定的。
同时也表明一股图像能量集中低频区域。
2、变换之后的图像在原点平移之前四角是低频，最亮，平移之后中间部分是低频，最亮，亮度大说明低频的能量大（幅角比较大）。
个人小结：傅里叶变换在频域图像增强里有着极其重要的作用，是频域图像处理的基础。
关于傅里叶变换的原理和公式，需要另行查阅资料，这里就不作简述。
傅里叶变换，尤其是离散二维傅里叶变换，把空域图像转化到频域，频域的频谱特征则反映了图像的各种特征。
注意在这里是基于复频域的变换。
在频谱图像里，相频谱表示的是图像的结构，幅频谱表示的是图像的灰度变化情况。
在图像处理中，往往把图像转化为频域图像，通过修改幅频域的值，再傅里叶反变换对图像进行滤波处理，能够达到图像增强、边缘提取的效果。
通过傅里叶变换后，修改幅频谱的滤波操作：频域图像原点平移到中心点，M、N图像的宽和高。
低通滤波——去除高频域，在图像上表示的是滤除图像变化明显区域，平滑滤波。
傅里叶变换为,传递函数，输出频域函数，经反变换得到处理后图像。
高斯低通滤波——通过高斯函数作为传递函数，实现滤波。
（高斯函数傅里叶变换还是高斯函数，高斯卷积还是高斯）。
傅里叶变换为，传递函数，输出频域函数，经反变换得到处理后图像。
高斯高通滤波（高斯边缘检测）——通过高斯函数作为传递函数，实现滤波。
（高斯函数傅里叶变换还是高斯函数，高斯卷积还是高斯）。
傅里叶变换为，传递函数，输出频域函数，经反变换得到处理后图像。
拉普拉斯滤波（拉普拉斯边缘检测）——傅里叶变换为，传递函数，输出频域函数，经反变换得到处理后图像。