原理
巴特沃斯低通滤波器(Butterworth Low-Pass Filter)在频率域中的定义是明确的,但它在空间域中的表示不是直观的。这是因为巴特沃斯滤波器的形式是基于频率的,并且其空间域表示涉及到一个复杂的逆傅里叶变换,该变换没有一个封闭形式的解析表达。然而,我们可以通过理解其频率域的特性来间接理解其在空间域的行为。
在频率域,巴特沃斯低通滤波器的函数形式如下:
不同阶数 n 的巴特沃斯低通滤波器在空间域中的主要影响如下:
阶数 n 对平滑度的影响:
较低阶数(如 n=1)的巴特沃斯滤波器在空间域中提供较为平缓的平滑效果,边缘过渡较为柔和。
较高阶数(如 n>1)的滤波器则提供更加强烈的平滑效果,但过渡可能更为尖锐,接近理想低通滤波器的特性。
频率响应与空间响应的关系:
在频率域中,滤波器的截止频率越低,其在空间域中的作用范围越大,导致图像更加模糊。
在空间域中,滤波器的效果取决于其对图像不同频率成分的衰减方式。
空间域的表示:
理论上,可以通过逆傅里叶变换将巴特沃斯滤波器从频率域转换到空间域,但这通常不会产生一个简单的封闭形式的函数。
在实际应用中,巴特沃斯滤波器通常直接在频率域内操作,并在应用逆傅里叶变换回空间域后观察其效果。
由于巴特沃斯滤波器在空间域中没有简洁的表达式,因此在图像处理中通常在频率域内进行设计和应用,然后将处理后的结果转换回空间域以观察和利用其效果。
python实现下图
提示
不同阶数巴特沃斯低通滤波器的空间域表示。参数如下设置:阶数分别为1,2,5,20,滤波器大小均为1000×1000,截止频率均为5。仍然和上一个实验一样,生成频域的巴特沃斯低通滤波器。之后直接做傅里叶反变换得到空间域的图像表示。为了便于显示,还需要进行对数变换等,具体代码可为HSpatial =
代码实现
python
import numpy as np
import pandas as pd
from sklearn.model_selection import KFold
import scipy as sp
import matplotlib.pyplot as plt
img_list=[]
img_name_list=[]
H=np.ones((1000,1000))
for n in [1,2,5,20]:
for i in range(1000):
for j in range(1000):
Duv=np.sqrt(np.power((i-1000/2),2)+np.power((j-1000/2),2))
H[i,j]=1/(1+np.power((i-1000/2),2)+np.power((j-1000/2),2))
HSpatital=np.log(0.00005+np.abs(np.fft.fftshift(np.fft.ifft2(H))))
img_list.append(HSpatital)
img_name_list.append("n="+str(n))
_,axs=plt.subplots(1,4)
for i in range(4):
axs[i].imshow(img_list[i],cmap="gray")
axs[i].set_title(img_name_list[i])
axs[i].axis('off')
plt.show()
结果展示
总结
阶数高的时候高频衰减快。高于截止频率以后,n阶butterworth衰减速度是20n分贝/10倍频。但是做数字滤波的时候你会发现阶数越高系统响应越慢,如果采样间隔是t,通过一个n阶的butterworth,结果和原信号相比基本会有n t的延迟,随着阶数增大,振铃现象逐渐明显,频域的butterworth滤波器也更加接近理想滤波器。
Butterworth低通滤波器可以通过改变次数n,对过度特性进行调整。过大的n会造成振铃现象