Capítulo 4 – Filtragem no Domínio da Frequência

Este capítulo tem o objetivo de formar as bases para a

compreensão da Transformada de Fourier e como ela é utilizada
na filtragem básica de imagens.

Assim como no capítulo 3, a maioria dos exemplos de filtragem de

imagens deste capítulo se refere ao realce de imagens.

1
- Capítulo 4 -
Transformada de Fourier Unidimensional

2
- Capítulo 4 -
Transformada de Fourier Unidimensional
e sua Inversa

3
- Capítulo 4 -
Transformada de Fourier Bidimensional
e sua Inversa

4
- Capítulo 4 -
Transformada de Fourier Unidimensional
Discreta e sua Inversa

5
- Capítulo 4 -
 Mecânica do cálculo da DFT unidimensional
A primeira figura abaixo mostra quatro amostras de uma função contínua, f(t),
obtidas em intervalos de ∆T. A segunda figura mostra os valores da
amostragem no domínio de x. M −1
1
DFT: F ( u ) =
M
∑ f ( x) e
x =0
− j 2π ux / M
u = 0,1, 2,..., M − 1

1 3 1 1 + 2 + 4 + 4 11
F ( 0 ) = ∑ f ( x )=  f ( 0 ) + f (1) + f ( 2 ) + f ( 3)  = =
4 x =0 4 4 4

1 3 1 −3 + 2 j
F (1) = ∑ f ( x ) e−2 jπ (1) x / 4 = 1e0 + 2e− jπ / 2 + 4e− jπ + 4e− j 3π / 2  =
4 x =0 4 4
− (1 + 0 j ) − (3 + 2 j )
De forma similar: F ( 2 ) = e F ( 3) =
4 4
Obs: Todos os valores de f(x) são usados no cálculo de cada termo de F(u).
M −1
IDFT: f ( x ) = ∑ F ( u ) e j 2π ux / M x = 0,1, 2,..., M − 1
u =0
3 3
1 1
f ( 0) = ∑ F ( u ) e 2 jπ u (0)
= ∑ F (u ) = [11 − 3 + 2 j − 1 − 3 − 2 j ] = [ 4] = 1
u =0 u =0 4 4

6
Os outros valores de f(x) são obtidos de forma similar.
- Capítulo 4 -
Transformada de Fourier Bidimensional
Discreta e sua Inversa

7
- Capítulo 4 -
Mecânica do cálculo da DFT bidimensional

8
- Capítulo 4 -
 Representações da DFT Bidimensional

Para todos os cálculos: u=0,1,2,...M-1 e v=0,1,2,...,N-1

F(u,v), Φ(u,v) e P(u,v) são arranjos matriciais de tamanho M x N 9

- Capítulo 4 -
 Propriedade da Periodicidade da DFT-2D
A transformada de Fourier 2-D e sua inversa são infinitamente periódicas nas
direções u e v, isto é:
F ( u, v ) = F ( u + k1M , v ) = F ( u, v + k2 N ) = F ( u + k1M , v + k2 N )
Para k1 e k2
f ( x, y ) = f ( x + k1M , y ) = f ( x, y + k2 N ) = f ( x + k1M , y + k2 N ) números inteiros

Considerando uma função 1-D para facilitar visualização:

Pode-se mostrar que: f ( x ) e j 2π ( uo x / M ) ⇔ F ( u − uo )
Com isso F(0) fica em u0.
Dois períodos consecutivos
Se u0=M/2 → ejπx=(-1)x
se encontram aqui
x
Assim: f ( x )( −1) ⇔ F ( u − M / 2 )
No caso 2-D:
x+ y
f ( x, y )( −1) ⇔ F ( u − M / 2, v − N / 2 )

Utilizar essa equação

Dois períodos consecutivos
desloca os dados de
se encontram aqui
forma que F(0,0) se
posicione em
1 período (M amostras)
(M/2,N/2). 10
- Capítulo 4 -
 Exemplo: Espectro de Fourier 2-D de uma função simples

Imagem simples
Espectro da
imagem.
Observa-se regiões
com pontos claros
nos quatro cantos.

Multiplicando a
Exibição de
imagem original
(1+log|F(u,v)|)
por (-1)x+y antes
de calcular a DFT, Detalhes realçados
obtém-se um pela transformação
espectro logarítmica.
centralizado.

11
- Capítulo 4 -
Exemplo: Espectro resultante da imagem transladada e rotacionada.

Imagem Espectro da
transladada imagem
transladada.
O espectro é o
mesmo da imagem
original.

Imagem Espectro da
rotacionada imagem
rotacionada.
O espectro é
rotacionado do
mesmo ângulo da
imagem.

12
- Capítulo 4 -
Exemplo: Funções do MatLab para obter o espectro de Fourier 2-D
de uma imagem

13
- Capítulo 4 -
Exemplo: Aplicação da DFT 2-D

14
- Capítulo 4 -
Exemplo: Ilustração das funções fftshift() e ifftshift()do MatLab

Obs:
A função ifft2()
calcula a Transformada
de Fourier Discreta 2-D
inversa (IDFT).

15
- Capítulo 4 -
 Teorema da Convolução 2-D
A convolução de funções de duas variáveis f(x,y) e h(x,y) é dada pela expressão:
M −1 N −1
f ( x , y ) ∗ h ( x , y ) = ∑ ∑ f ( m, n ) h ( x − m, y − n )
m =0 n =0

Para x=0,1,2,...M-1 e y=0,1,2,...,N-1

O Teorema da Convolução 2-D é dado pelas expressões:

f ( x, y ) ∗ h ( x, y ) ⇔ F ( u , v ) H ( u , v ) (1) Pares de
transformadas
f ( x, y ) h ( x, y ) ⇔ F ( u , v ) * H ( u , v ) (2) de Fourier

A expressão (1) afirma que a DFT inversa do produto F(u,v)H(u,v) nos dá

f(x,y)*h(x,y) que é a convolução espacial 2-D de f e h.

Essa expressão é a base da filtragem no domínio da frequência que será

discutida em breve.
16
- Capítulo 4 -
Teorema da Convolução 2-D cont...

17
- Capítulo 4 -
 Filtragem no Domínio da Frequência
Componentes de intensidade de
variação lenta na imagem. Baixa frequência

Bordas de objetos e outros componentes

da imagem caracterizados por mudanças Alta frequência
abruptas de intensidade.

As técnicas de filtragem no domínio da frequência se baseiam em:

1) modificar a transformada de Fourier da imagem para atingir um objetivo
específico;
2) calcular a DFT inversa para retornar ao domínio da imagem e obter o
resultado processado.

g ( x, y ) = ℑ−1  H ( u, v ) F ( u, v ) 

DFT da imagem
Imagem de saída DFT inversa Função
de entrada
(filtrada) filtro

As funções g, H e F são arranjos matriciais de tamanho M x N 18

- Capítulo 4 -
Filtragem no Domínio da Frequência cont...

19
- Capítulo 4 -
Filtro Notch

20
- Capítulo 4 -
Filtro Notch – Remoção da média F(0,0)

A média
dos níveis
da imagem
é zero.

21
- Capítulo 4 -
 Filtros Passa-Baixa (FPB)
Mantêm os componentes de baixa frequência e reduzem os
componentes de alta frequência da imagem.

22
- Capítulo 4 -
 Filtro Passa-Baixa Ideal (FPBI)

Gráfico em perspectiva Filtro exibido como Corte transversal

da FT do FPBI uma imagem radial do filtro.

Função:

Onde:
D0 → frequência de corte medida a partir da origem.
D(u,v) → distância do ponto (u,v) até a origem do retângulo de frequências.

Deixa passar todas as frequências no círculo ou dentro

do círculo de raio D0 a partir da origem.
Exclui todas as frequências fora desse círculo. 23
- Capítulo 4 -
 Filtro Passa-Baixa Ideal (FPBI) cont...

Imagem Original Seu espectro de Fourier com Filtragem com

círculos sobrepostos com raios D0 = 10
Ringing iguais a 10, 30, 60, 160 e 460.

Filtragem com Filtragem com Filtragem com Filtragem com

D0 = 30 D0 = 60 D0 = 160 D0 = 460 24
- Capítulo 4 -
 Filtro Passa-Baixa Ideal (FPBI) cont...

Responsável
pelo
borramento.
Responsáveis
pelo ringing.

Perfil de intensidade de uma

Representação no domínio do linha horizontal passando pelo
espaço de um FPBI de raio 5. centro da imagem.

25
- Capítulo 4 -
 Filtro Passa-Baixa Butterworth (FPBB)

Gráfico em perspectiva Filtro exibido como Cortes transversais radiais

da FT do FPBB uma imagem do filtro de ordens 1 a 4.

Função:

Onde:
D0 → frequência de corte medida a partir da origem.
D(u,v) → distância do ponto (u,v) até a origem do retângulo de frequências.
n → ordem do filtro.

Não apresenta a transição abrupta na frequência

de corte como no filtro passa-baixas ideal.
Isso minimiza o efeito de ringing. 26
- Capítulo 4 -
 Filtro Passa-Baixa Butterworth (FPBB) cont...

Imagem Original Seu espectro de Fourier com Filtragem com

círculos sobrepostos com raios D0 = 10
iguais a 10, 30, 60, 160 e 460.

Filtragem com Filtragem com Filtragem com Filtragem com

D0 = 30 D0 = 60 D0 = 160 D0 = 460 27
- Capítulo 4 -
 Filtro Passa-Baixa Butterworth (FPBB) cont...

As figuras acima mostram a representação espacial de FPBB de ordem 1, 2, 5 e

20 e os perfis de intensidade correspondente passando pelo centro dos filtros.
A frequência de corte é 5.
Observe como o efeito de ringing aumenta em função da ordem do filtro.
28
- Capítulo 4 -
 Filtro Passa-Baixa Gaussiano (FPBG)

Gráfico em perspectiva Filtro exibido como Cortes transversais radiais do

da FT do FPBG uma imagem filtro p/ vários valores de D0.

Função:

Onde:
D0 → frequência de corte medida a partir da origem.
D(u,v) → distância do ponto (u,v) até o centro do retângulo de frequências.

Como no caso do FPBB, nota-se uma transição suave do borramento

como uma função do aumento da frequência de corte.
Não existe o efeito de ringing. 29
- Capítulo 4 -
 Filtro Passa-Baixa Gaussiano (FPBG) cont...

Imagem Original Seu espectro de Fourier com Filtragem com

círculos sobrepostos com raios D0 = 10
iguais a 10, 30, 60, 160 e 460.

Filtragem com Filtragem com Filtragem com Filtragem com

D0 = 30 D0 = 60 D0 = 160 D0 = 460 30
- Capítulo 4 -
Exemplos de aplicação de Filtro Passa-Baixa

31
- Capítulo 4 -
 Filtros Passa-Alta (FPA)
Enfatizam as transições bruscas de intensidade.

Esta imagem é escura

porque foi removido o
valor médio F(0,0)

32
- Capítulo 4 -
Filtro Passa-Alta adicionado de uma constante

Imagem original Imagem filtrada com FPA

adicionado de uma constante a.
33
- Capítulo 4 -
Tipos de Filtros Passa-Alta

34
- Capítulo 4 -
 Representação dos Filtros Passa-Alta

Ideal Butterworth Gaussiano

As figuras acima mostram a representação espacial dos filtros passa-alta típicos

e os perfis de intensidade correspondente a partir de seus centros.

35
- Capítulo 4 -
 D0 = 30 D0 = 60 D0 = 160
Aplicação dos filtros passa-alta
FPA
Ideal

FPA
Butterworth
Ordem 2

FPA
Gaussiano

36
- Capítulo 4 -
 Filtros Passa-Banda (FPB) e Rejeita-Banda (FRB)
Utilizados em aplicações nas quais é interessante processar bandas específicas
de frequências ou pequenas regiões do retângulo de frequências.

Filtros rejeita-banda

Onde: D(u,v) → distância do ponto (u,v) até o centro do retângulo de frequências.

D0 → centro radial da banda.
W → largura da banda.

Filtros passa-banda

H PB ( u, v ) = 1 − H RB ( x, y )
37
- Capítulo 4 -
Rejeita-Banda (FRB) Filtros Passa-Banda (FPB)

38
- Capítulo 4 -