请问，怎样用MATLAB把一幅图像的傅里叶变换后的能量分布图做出来？

1. 请问，怎样用MATLAB把一幅图像的傅里叶变换后的能量分布图做出来？

内·冈萨雷斯的图像处理解释很形象：一个恰当的比喻为傅立叶变换的玻璃棱镜。棱镜可以是光被分解成不同颜色的物理设备中，每个组件的颜色由波长（或频率）来确定。 
 

傅里叶变换可以被看作是一个数学棱镜上的函数，是根据不同的成分的频率分解。当我们考虑光时，讨论它的光谱或频谱。同样地，通过傅立叶变换函数的频率分量分析。 

 

图像傅立叶变换的物理意义

 

图像的频率强度的灰度变化的图像，灰度梯度平面空间的表征指标。如：？沙漠在图像中是大面积的灰度的变化是缓慢的区域，对应于低频率值;对于表面性质变换激烈的边缘区域在图像中的灰度变化的区域，相应的频率高的值。傅立叶变换，在实践中有非常明显的物理意义，设f是一个有限的能量的模拟信号的频谱，所述傅立叶变换的f。从一个纯粹的数学意义上来看，一个函数的傅立叶变换成一系列周期函数来处理。从物理效应，傅立叶变换是逆变换是从空间域到频域的转换的图像，将图像转换为从频域变换到空间域。换言之，物理意义的傅立叶变换的图像灰度分布函数变换图像的频率分布函数的傅立叶逆变换的频率的分布函数的图像变换为灰度分布函数

  />傅里叶变换之前，从该样品来获得一系列的收集点上的连续空间（现实世界的空间）的图像（未压缩的位图），我们惯于点一个二维矩阵表示，在空间上图像可以是Z = F（的x，y）的。由于空间是三维的，二维图像，因此，梯度表示的在另一维度的空间中的对象的关系，因此，我们可以通过所观察到的图像，在三维空间中的对象的对应关系。为什么一提的梯度？因为实际上一个二维图像的傅立叶变换得到的频谱图，即，所述图像梯度的分布图，当然，与图像上的各点的光谱图上的每个点中不存在一到一一对应的关系，即使在坚定的频率的情况下是没有的。傅立叶频谱图，我们可以看到明暗不同的一大亮点，事实上，一个小点附近的图像，这是实力的差异，梯度的大小，频率的点，即尺寸（以便了解该图像的低频部分的点的低梯度，高频部分相反）。一般来说，梯度大，亮度的点，或点的亮度弱。因此，通过观察的傅立叶变换后的频谱图，也称为功率图，我们可以看到，在第一个地方，该图像的能量分布，如果暗光谱图的多个点，那么实际的图像是软（因为每个点与邻域差异并不大，一个相对较小的梯度），相反，如果频谱图中最亮的点，然后在实际图像必须是锐利的，尖锐的边界，和较大的两侧上的边界象素差。移频到原点的频谱，可以看出，它的频率分布的图像的中心的原点的基础上，对称地分布。频谱频移的中心，可以清楚地看到外面的图像的频率分布，有这样一个好处，它可以被分离出的干扰信号，如正弦干扰，移频到原点此外，一个与正弦干扰的周期性规律有一定对称分布中心外集合点，亮点频谱图上可以看出，这个集合是干扰产生的噪声可以通过的位置放置带阻滤波器来消除干扰

 

另外，我也想提出以下几点：

 

二维傅里叶变换后的图像，变换系数矩阵如下：

 

变换矩阵的Fn原点位于市中心，其频谱能量集中在非持续性（在该图中的阴影区域）的变换系数的中心附近。如果二维傅立叶变换矩阵Fn的原点位于左上角，然后将图像信号能量集中在系数矩阵的四个角落。这是一个两维的傅里叶变换本身的性质所决定的。还表明，能量集中的低频区域的图像。 
 2，转换后的图像在原点翻译前的四角是低频，最亮的，出锅后的中间部分是一种低频率，最亮，亮度大的低频能量（大振幅角）

2. 傅里叶变换的作用？

3. 图像傅里叶变换的步骤是什么? java

Opencv计算机视觉14(傅里叶变换)

4. 为什么要进行傅里叶变换，其物理意义是什么？

傅立叶变换是数字信号处理领域一种很重要的算法。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。
和傅立叶变换算法对应的是反傅立叶变换算法。该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。
因此，可以说，傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅立叶反变换将这些频域信号转换成时域信号。
从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。
在数学领域，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。任意的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类：1.
傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子;2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似;3.
正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;5.
离散形式的傅立叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;４.
著名的卷积定理指出:傅立叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT))。
正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。
2、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）
傅里叶变换意义另解：
傅里叶变换是一种解决问题的方法，一种工具，一种看待问题的角度。
理解的关键是：一个连续的信号可以看作是一个个小信号的叠加，从时域叠加与从频域叠加都可以组成原来的信号，将信号这么分解后有助于处理。
我们原来对一个信号其实是从时间的角度去理解的，不知不觉中，其实是按照时间把信号进行分割，每一部分只是一个时间点对应一个信号值，一个信号是一组这样的分量的叠加。傅里叶变换后，其实还是个叠加问题，只不过是从频率的角度去叠加，只不过每个小信号是一个时间域上覆盖整个区间的信号，但他确有固定的周期，或者说，给了一个周期，我们就能画出一个整个区间上的分信号，那么给定一组周期值（或频率值），我们就可以画出其对应的曲线，就像给出时域上每一点的信号值一样，不过如果信号是周期的话
，频域的更简单，只需要几个甚至一个就可以了，时域则需要整个时间轴上每一点都映射出一个函数值。
　　傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反。这都是一个信号的不同表示形式。它的公式会用就可以，当然把证明看懂了更好。
傅立叶变换就是把一个信号，分解成无数的正弦波（或者余弦波）信号。也就是说，用无数的正弦波，可以合成任何你所需要的信号。
答案是要两个条件，一个是每个正弦波的幅度，另一个就是每个正弦波之间的相位差。
所以现在应该明白了吧，频域上的相位，就是每个正弦波之间的相位。
傅立叶变换用于信号的频率域分析，一般我们把电信号描述成时间域的数学模型，而数字信号处理对信号的频率特性更感兴趣，而通过傅立叶变换很容易得到信号的频率域特性。
　　傅里叶变换简单通俗理解就是把看似杂乱无章的信号考虑成由一定振幅、相位、频率的基本正弦（余弦）信号组合而成，傅里叶变换的目的就是找出这些基本正弦（余弦）信号中振幅较大（能量较高）信号对应的频率，从而找出杂乱无章的信号中的主要振动频率特点。
如减速机故障时，通过傅里叶变换做频谱分析，根据各级齿轮转速、齿数与杂音频谱中振幅大的对比，可以快速判断哪级齿轮损伤。

5. 傅里叶变换的意义

傅立叶变换，表示能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。最初傅立叶分析是作为热过程的解析分析的工具被提出的。
傅里叶级数和傅里叶变换其实就是我们之前讨论的特征值与特征向量的问题。分解信号的方法是无穷的，但分解信号的目的是为了更加简单地处理原来的信号。

扩展资料
傅里叶变换的应用：
1、傅里叶变换是线性算子，若赋予适当的范数，它还是酉算子；
2、傅里叶变换的逆变换容易求出，而且形式与正变换非常类似；
3、正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解在线性时不变的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取；
4、著名的卷积定理指出：傅里叶变换可以化复杂的卷积运算为简单的乘积运算，从而提供了计算卷积的一种简单手段；
5、离散形式的傅里叶变换可以利用数字计算机快速的算出（其算法称为快速傅里叶变换算法（FFT))。
参考资料来源：百度百科-傅里叶变换

6. 为什么要进行傅里叶变换，其物理意义是什么

傅立叶变换是数字信号处理领域一种很重要的算法.要知道傅立叶变换算法的意义,首先要了解傅立叶原理的意义.傅立叶原理表明：任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加.而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位.\x0d和傅立叶变换算法对应的是反傅立叶变换算法.该反变换从本质上说也是一种累加处理,这样就可以将单独改变的正弦波信号转换成一个信号.\x0d因此,可以说,傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱）,可以利用一些工具对这些频域信号进行处理、加工.最后还可以利用傅立叶反变换将这些频域信号转换成时域信号.\x0d从现代数学的眼光来看,傅里叶变换是一种特殊的积分变换.它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分.在不同的研究领域,傅里叶变换具有多种不同的变体形式,如连续傅里叶变换和离散傅里叶变换.\x0d在数学领域,尽管最初傅立叶分析是作为热过程的解析分析的工具,但是其思想方法仍然具有典型的还原论和分析主义的特征.任意的函数通过一定的分解,都能够表示为正弦函数的线性组合的形式,而正弦函数在物理上是被充分研究而相对简单的函数类：1.\x0d傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子;2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似;3.\x0d正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;5.\x0d离散形式的傅立叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;4.\x0d著名的卷积定理指出:傅立叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT)).\x0d正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用.\x0d2、图像傅立叶变换的物理意义\x0d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\x0d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\x0d另外我还想说明以下几点：\x0d1、图像经过二维傅立叶变换后,其变换系数矩阵表明：\x0d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.\x0d2 、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）\x0d傅里叶变换意义另解：\x0d傅里叶变换是一种解决问题的方法,一种工具,一种看待问题的角度.\x0d理解的关键是：一个连续的信号可以看作是一个个小信号的叠加,从时域叠加与从频域叠加都可以组成原来的信号,将信号这么分解后有助于处理.\x0d我们原来对一个信号其实是从时间的角度去理解的,不知不觉中,其实是按照时间把信号进行分割,每一部分只是一个时间点对应一个信号值,一个信号是一组这样的分量的叠加.傅里叶变换后,其实还是个叠加问题,只不过是从频率的角度去叠加,只不过每个小信号是一个时间域上覆盖整个区间的信号,但他确有固定的周期,或者说,给了一个周期,我们就能画出一个整个区间上的分信号,那么给定一组周期值（或频率值）,我们就可以画出其对应的曲线,就像给出时域上每一点的信号值一样,不过如果信号是周期的话\x0d,频域的更简单,只需要几个甚至一个就可以了,时域则需要整个时间轴上每一点都映射出一个函数值.\x0d　　傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反.这都是一个信号的不同表示形式.它的公式会用就可以,当然把证明看懂了更好.\x0d傅立叶变换就是把一个信号,分解成无数的正弦波（或者余弦波）信号.也就是说,用无数的正弦波,可以合成任何你所需要的信号.\x0d答案是要两个条件,一个是每个正弦波的幅度,另一个就是每个正弦波之间的相位差.\x0d所以现在应该明白了吧,频域上的相位,就是每个正弦波之间的相位.\x0d傅立叶变换用于信号的频率域分析,一般我们把电信号描述成时间域的数学模型,而数字信号处理对信号的频率特性更感兴趣,而通过傅立叶变换很容易得到信号的频率域特性.\x0d　　傅里叶变换简单通俗理解就是把看似杂乱无章的信号考虑成由一定振幅、相位、频率的基本正弦（余弦）信号组合而成,傅里叶变换的目的就是找出这些基本正弦（余弦）信号中振幅较大（能量较高）信号对应的频率,从而找出杂乱无章的信号中的主要振动频率特点.\x0d如减速机故障时,通过傅里叶变换做频谱分析,根据各级齿轮转速、齿数与杂音频谱中振幅大的对比,可以快速判断哪级齿轮损伤.

7. 傅里叶变换有哪些重要的性质

1线性性
2对称性
3相似性
4平移性
5像函数的平移性(频移性)
6微分性
7像函数的微分性
8积分性
9卷积与卷积定理
10乘积定理
11能量积分

8. 快速傅里叶转化（FFT）中幅值图的意义是什么？

http://wenku.baidu.com/view/3b5fe264f5335a8102d22076.html  同在找这个问题的解释， 这个有点帮助