傅里叶变换在图像相关性与模板匹配中的应用及MATLAB实现

👨‍🎓 博主简介：博士研究生

🔬 超级学长：超级学长@实验室（提供各种程序开发、实验复现与论文指导）

📧 个人邮箱：easy_optics@126.com

💬 个人微信：easy_optics

🐧 个人企鹅：754357517

摘要

本博文介绍了傅里叶变换可用于分析图像相关性并被称为模板匹配，还提到二维傅里叶逆变换在 MATLAB 中的应用；描述了通过傅里叶变换和快速卷积运算对包含字母 “a” 的图像与 text.png 图像进行相关运算以定位字母 “a” 的方法。给出了相关Matlab源程序。

一、二维离散傅里叶变换定义

二维离散傅里叶变换的定义为：

$$\begin{array}{rl}& Y_{p+1,q+1}=\sum _{j=0}^{m-1}\sum _{k=0}^{n-1}{\omega }_m^{jp}{\omega }_n^{kq}{X}_{j+1,k+1}\\ & {\omega }_m={\mathrm{e}}^{-\frac{2\pi \mathrm{i}}{m}}\\ & {\omega }_n={\mathrm{e}}^{-\frac{2\pi \mathrm{i}}{n}}\end{array}$$

对于二维离散傅里叶变换，MATLAB 提供了 fft2 函数实现。函数的调用格式为：

$$Y=fff2(X)$$

X为二维信号； Y为返回与X同维的数组。

二、实例演示

2.1 图像fft示例一

上述示例的Matlab代码如下所示：

P = peaks(20);
X = repmat(P,[5 10]);
subplot(1,2,1);imagesc(X)
title('原始图像');
Y = fft2(X);
subplot(1,2,2);imagesc(abs(fftshift(Y)))
title('频域');

2.2 图像相关性分析

傅里叶变换还能够用来分析两幅图像的相关性，相关性可以用来确定一幅图像的特征，在这个意义下，相关性通常被称为模板匹配。接着介绍一个二维傅里叶逆变换在MATLAB中的应用

将包含字母“a”的图像与text.png图像进行相关运算，也就是首先将字母a和图像text.png进行傅里叶变换，然后快速卷积计算字母a和图像text.png的卷积（其结果如图2（c）所示），提取卷积运算的峰值，如图 2（d）所示的白色亮点，即得到在图像 text.png 中对字母 “a” 定位的结果。

Matlab源程序如下所示：

bw=imread('text.png');
%从图像中抽取字母a的图像
a=bw(32:45,88:98);
subplot(2,2,1);imshow(bw);
xlabel('(a)原始图像');
subplot(2,2,2);imshow(a);
xlabel('(b)显示“a”图');
C=real(ifft2(fft2(bw).*fft2(rot90(a,2),256,256)));   % 卷积
subplot(2,2,3);imshow(C,[]);
xlabel('(c)定位图');
%选择一个略小于C中最大值的值作为阈值
max(C(:));
thresh=60;
subplot(2,2,4);imshow(C>thresh);  %显示像素值超过阈值的点
xlabel('(d)提取“a”图');

三、结论

博主简介：擅长智能优化算法、信号处理、图像处理、机器视觉、深度学习、神经网络等领域Matlab仿真以及实验数据分析等，matlab代码问题、商业合作、课题选题与科研指导等均可私信交流。