Image processing 傅里叶域并行图像滤波
我们正在进行一个项目，我们将在ApacheHadoop上进行图像处理。我们希望通过将图像分成更小的部分（图像非常大）来加快计算速度，在每个部分上应用傅里叶域中的任何滤波器，然后在将所有部分合并到一起之前将其转换回空间域。我们知道如何在空间域中过滤，方法是在每个部分填充来自相邻部分的像素（根据掩码大小）。如果在频域中进行滤波，这是否也适用Image processing 傅里叶域并行图像滤波,image-processing,fft,convolution,dft,Image Processing,Fft,Convolution,Dft,我们正在进行一个项目，我们将在ApacheHadoop上进行图像处理。我们希望通过将图像分成更小的部分（图像非常大）来加快计算速度，在每个部分上应用傅里叶域中的任何滤波器，然后在将所有部分合并到一起之前将其转换回空间域。我们知道如何在空间域中过滤，方法是在每个部分填充来自相邻部分的像素（根据掩码大小）。如果在频域中进行滤波，这是否也适用 从数学上讲，我认为我们会失去一些较低的频率，但模糊图像与单独模糊所有区域应该没有太大区别？我想你会发现这比你想象的要困难（并非不可能）通过分割来有效地过滤图像-
从数学上讲，我认为我们会失去一些较低的频率，但模糊图像与单独模糊所有区域应该没有太大区别？我想你会发现这比你想象的要困难（并非不可能）通过分割来有效地过滤图像-尽管这不是一种罕见的方法-因为您必须注意组成分割图像的平铺的交点 正如（我认为）您在问题中所述，大多数空间过滤器（即基于与某些内核的卷积的过滤器）在图像边缘采用启发式方法，其中内核将与图像边界的“外部”重叠。未知像素值可能会被忽略、假定为零、从图像反射回来等。在您的情况下，这些效果将发生在图像分幅之间的分割中，而实际上您有“缺失”像素。这可以通过确保瓷砖相互重叠来克服，以便在应用过滤器时，每个瓷砖都可以包含来自其邻居的像素。同样的情况也适用于傅里叶域——你还需要确保你的瓷砖足够大，能够容纳你想要保留的所有频率 第二点-你说，对于模糊，“从数学上讲，我认为我们会失去一些较低的频率”-但实际上你保留了低频，失去了高频，也就是说，在傅里叶域中，模糊是一个低通滤波器
如果要拆分为足够小的分幅，则大多数过滤操作留在空间域中可能会更快。FFT的成本将抵消您从多线程处理中获得的任何节省。当然，对于某些傅里叶滤波（如反褶积），必须使用整个图像。是的，同样的原理也适用。这个过程是：