opencv3/C++ 离散余弦变换DCT方式

离散余弦变换/Discrete cosine transform，

根据离散傅里叶变换的性质，实偶函数的傅里叶变换只含实的余弦项，而数字图像都是实数矩阵，因此构造了一种实数域的变换——离散余弦变换(DCT)。

离散余弦变换具有很强的”能量集中”特性，左上方称为低频数据，右下方称为高频数据。而大多数的自然信号(包括声音和图像)的能量都集中在离散余弦变换后的低频部分。因此也可以在图像压缩算法中用来进行有损压缩。（如JPEG压缩编码）

OpenCV中dct()

在OpenCV中有专门进行离散余弦变换的函数dct()。

dct()函数执行1D或2D浮点数组的正向或反向离散余弦变换（DCT）：

N个元素的一维向量的正余弦变换：

该函数通过查看输入数组的标志和大小来选择操作模式：

如果（flags＆DCT_INVERSE）== 0，则函数执行向前的1D或2D变换。否则是一个逆1D或2D变换。

如果（flags＆DCT_ROWS）！= 0，则函数执行每行的一维变换。

如果数组是单列或单行，则该函数执行一维变换。

如果以上都不是，则该函数执行2D变换。

目前dct支持偶数大小的数组（2,4,6 …）。对于数据分析和逼近，可以在必要时填充数组。另外，函数性能对数组大小的依赖性非常大，而不是单调的。在当前实现中，大小为N的矢量的DCT通过大小为N / 2的矢量的DFT来计算。因此，最佳DCT大小N1 > = N可以计算为：

size_t getOptimalDCTSize（size_t N）{return 2 * getOptimalDFTSize（（N + 1）/ 2）; }
N1 = getOptimalDCTSize（N）;

dct()参数

src 输入浮点数组。

dst 输出与src大小和类型相同的数组。

flags 转换标志

opencv示例

#include <opencv2\opencv.hpp>
#include <opencv2\core\core.hpp>
#include <opencv2\core\mat.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
 Mat src = imread("E:\\image\\sophie.jpg", 0);
 if(src.empty())
 {
  cout << "the image is not exist" << endl;
  return -1;
 }
 resize(src, src, Size(512, 512));
 src.convertTo(src, CV_32F, 1.0/255);
 Mat srcDCT;
 dct(src, srcDCT);

 imshow("src", src);
 imshow("dct", srcDCT);
 waitKey();
 return 0;
}

可以看到因为第一幅图像的细节较少，因此DFT变换数据主要集中在左上方（低频区域），高频区域大部分为0：

而第二幅图像相对而言具有较为丰富的细节，因此相对于第一幅图像中间区域出现了大量的非0值：

以上这篇opencv3/C++ 离散余弦变换DCT方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

赞 (0)

相关推荐

  • opencv3/C++ 使用Tracker实现简单目标跟踪

    简介 MIL: TrackerMIL 以在线方式训练分类器将对象与背景分离;多实例学习避免鲁棒跟踪的漂移问题. OLB: TrackerBoosting 基于AdaBoost算法的在线实时对象跟踪.分类器在更新步骤中使用周围背景作为反例以避免漂移问题. MedianFlow: TrackerMedianFlow 跟踪器适用于非常平滑和可预测的运动,物体在整个序列中可见. TLD: TrackerTLD 将长期跟踪任务分解为跟踪,学习和检测.跟踪器在帧之间跟踪对象.探测器本地化所观察到的所有外观,

  • opencv3/C++图像边缘提取方式

    canny算子实现 使用track bar 调整canny算子参数,提取到合适的图像边缘. #include<iostream> #include<opencv2/opencv.hpp> using namespace cv; void trackBar(int, void*); int s1=0,s2=0; Mat src, dst; int main() { src = imread("E:/image/image/daibola.jpg"); if(src

  • opencv3/C++ 将图片转换为视频的实例

    现有一些图片按顺序放置在一文件夹jogging1\下,如图: 需要将其合并转换为一个视频. 示例: 环境:Win7+OpenCV3+VS2012 #include<opencv2/opencv.hpp> #include <stdio.h> #include <io.h> #include <string> #include <iostream> #include <fstream> using namespace std; usin

  • opencv3/C++图像像素操作详解

    RGB图像转灰度图 RGB图像转换为灰度图时通常使用: 进行转换,以下尝试通过其他对图像像素操作的方式将RGB图像转换为灰度图像. #include<opencv2/opencv.hpp> #include<math.h> using namespace cv; int main() { //像素操作 Mat src,dst; src = imread("E:/image/image/daibola.jpg"); if(src.empty()) { printf

  • opencv3/C++ HOG特征提取方式

    HOG特征 HOG(Histograms of Oriented Gradients)梯度方向直方图 通过利用梯度信息能反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化．在论文Histograms of Oriented Gradients for Human Detection中被提出． HOG特征的提取过程为: Gamma归一化: 计算梯度: 划分cell 组合成block,统计block直方图: 梯度直方图归一化: 收集HOG特征. Gamma归一化: 对图像颜色进行

  • opencv3/C++ 离散余弦变换DCT方式

    离散余弦变换/Discrete cosine transform, 根据离散傅里叶变换的性质,实偶函数的傅里叶变换只含实的余弦项,而数字图像都是实数矩阵,因此构造了一种实数域的变换--离散余弦变换(DCT). 离散余弦变换具有很强的"能量集中"特性,左上方称为低频数据,右下方称为高频数据.而大多数的自然信号(包括声音和图像)的能量都集中在离散余弦变换后的低频部分.因此也可以在图像压缩算法中用来进行有损压缩.(如JPEG压缩编码) OpenCV中dct() 在OpenCV中有专门进行离散

  • opencv3/C++ 平面对象识别&透视变换方式

    findHomography( ) 函数findHomography( )找到两个平面之间的透视变换H. 参数说明: Mat findHomography( InputArray srcPoints, //原始平面中点的坐标 InputArray dstPoints, //目标平面中点的坐标 int method = 0, //用于计算单应性矩阵的方法 double ransacReprojThreshold = 3, OutputArray mask=noArray(), //通过鲁棒法(RA

  • python 图像的离散傅立叶变换实例

    图像(MxN)的二维离散傅立叶变换可以将图像由空间域变换到频域中去,空间域中用x,y来表示空间坐标,频域由u,v来表示频率,二维离散傅立叶变换的公式如下: 在python中,numpy库的fft模块有实现好了的二维离散傅立叶变换函数,函数是fft2,输入一张灰度图,输出经过二维离散傅立叶变换后的结果,但是具体实现并不是直接用上述公式,而是用快速傅立叶变换.结果需要通过使用abs求绝对值才可以进行可视化,但是视觉效果并不理想,因为傅立叶频谱范围很大,所以要用log对数变换来改善视觉效果. 在使用l

  • 基于MATLAB和Python实现MFCC特征参数提取

    基于MATLAB和Python实现MFCC特征参数提取

    1.MFCC概述 在语音识别(Speech Recognition)和话者识别(Speaker Recognition)方面,最常用到的语音特征就是梅尔倒谱系数(Mel-scale FrequencyCepstral Coefficients,简称MFCC).根据人耳听觉机理的研究发现,人耳对不同频率的声波有不同的听觉敏感度.从200Hz到5000Hz的语音信号对语音的清晰度影响较大.两个响度不等的声音作用于人耳时,则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受,使其变得不易察觉,

  • Matlab实现简单扩频语音水印算法详解

    Matlab实现简单扩频语音水印算法详解

    目录 一.实验背景 1.实验目的 2.实验环境 3.原理简介 二.基础知识 1.PN序列 2.时域到频域变换的原因 3.三种时域到频域变换的区别 三.算法源码 1.PN产生函数 2.隐藏算法 3.提取算法 4.测试脚本 四.运行测试 1.无攻击(误码率0.000976): 2.AU格式转换(误码率0.001921): 3.压缩与解压缩(误码率0.002029): 一.实验背景 1.实验目的 了解扩频通信原理,掌握扩频水印算法的基本原理,设计并实现一种基于音频的扩频水印算法,了解参数对扩频水印算法

  • C语言数据结构算法之实现快速傅立叶变换

    C语言数据结构算法之实现快速傅立叶变换 本实例将实现二维快速傅立叶变换,同时也将借此实例学习用c语言实现矩阵的基本操作.复数的基本掾作,复习所学过的动态内存分配.文件操作.结构指针的函数调用等内容. 很久以来,傅立叶变换一直是许多领域,如线性系统.光学.概率论.量子物理.天线.数字图像处理和信号分析等的一个基本分析工具,但是即便使用计算速度惊人的计算机计算离散傅立叶变换所花费的时间也常常是难以接受的,因此导致了快速傅立叶变换(FFT)的产生. 本实例将对一个二维数组进行正.反快速傅立叶变换.正傅

  • 深度学习开源框架基础算法之傅立叶变换的概要介绍

    深度学习开源框架基础算法之傅立叶变换的概要介绍

    傅立叶变换时数字信号处理的重要方法之一,是法国数学家傅立叶在1807年在法国科学学会上发表的一篇文章中所提出的,在文章中使用了正弦函数描述温度分布,而且提出了一个著名的论断:任何连续性的周期信号都可以由一组适当的正弦曲线组合而成.而这个论断被当时审查论文的著名数学家拉格朗日所否定,拉格朗日认为正弦函数无法组合成一个个带有棱角的信号,但是从无限逼近的角度考虑,可以使用正弦函数来非常逼近期直到表示方法不存在明显差异,这篇论文最终在在拉格朗日死后15年之久才得以发表. 傅立叶变换的分类 根据信号是是周

  • 信号生成及DFT的python实现方式

    DFT DFT(Discrete Fourier Transform),离散傅里叶变化,可以将离散信号变换到频域,它的公式非常简单: 离散频率下标为k时的频率大小 离散时域信号序列 信号序列的长度,也就是采样的个数 如果你刚接触DFT,并且之前没有信号处理的相关经验,那么第一次看到这个公式,你可能有一些疑惑,为什么这个公式就能进行时域与频域之间的转换呢? 这里,我不打算去解释它,因为我水平有限,说的不清楚.相反,在这里我想介绍,作为一个程序员,如何如实现DFT 从矩阵的角度看DFT DFT的公式

  • 基于matlab实现DCT数字水印嵌入与提取

    基于matlab实现DCT数字水印嵌入与提取

    目录 一.离散小波变换的音频信号数字水印技术简介 0 引言 1 音频数字水印技术分类 2 基于DWT的音频水印算法 二.部分源代码 三.运行结果 一.离散小波变换的音频信号数字水印技术简介 0 引言 近年来, 数字水印技术的作用越来越重要.数字水印技术是将一些标识信息直接嵌入数字载体当中, 或间接表示在信号载体中, 且不影响原载体的使用价值.通过隐藏在载体中的这些信息, 可以判断信息是否被篡改, 具有防伪溯源.保护信息安全.版权保护等作用.对于广播转播台站而言, 是广播音频的中转站, 在广播信号

  • 详解Nuxt内导航栏的两种实现方式

    方式一 | 通过嵌套路由实现 在pages页面根据nuxt的路由规则,建立页面 1. 创建文件目录及文件 根据规则,如果要创建子路由,子路由的文件夹名字,必须和父路由名字相同 所以,我们的文件夹也为index,index文件夹需要一个默认的页面不然nuxt的路由规则就不能正确匹配页面 一级路由是根路由 二级路由是index,user,默认进入index路由 下面是router页面自动生成的路由 { path: "/", component: _93624e48, children: [

随机推荐