Почему преобразование Фурье может использоваться для изображения recognization будучи чувствительным к шумам?

Я не думаю, что вы найдете много используемых методов, которые полагаются на преобразования Фурье для распознавания изображений.

В случае шума соли и перца его можно рассматривать как высокочастотный шум, и, таким образом, вы можете фильтровать нижние частоты своего БПФ, прежде чем сравнивать его с целевым изображением. Я полагаю, что это сработает. , но разные изображения, которые в некоторой степени похожи (например, оба являются фотографиями, сделанными на улице), будут регистрироваться как одно и то же изображение.

Не совсем понимаю, о чем вы спрашиваете. Если вы спрашиваете, как можно использовать БПФ для распознавания изображений, вот несколько мыслей.

БПФ можно использовать для «классификации» изображений. Его нельзя использовать для распознавания разных лиц или объектов, но его можно использовать для классификации типа изображения. БПФ вычисляет пространственно-частотный состав изображения. Так, например, естественная сцена, лицо, сцена города и т. Д. Будут иметь разные БПФ. Поэтому вы можете классифицировать изображение или даже внутри изображения (например, аэрофотоснимок для классификации местности).

Кроме того, БПФ используется при предварительной обработке для распознавания изображений. Его можно использовать для OCR (оптического распознавания символов), чтобы повернуть отсканированное изображение в правильную ориентацию. БПФ печатного текста имеет сильную ориентацию. То же самое и с контролем деталей в промышленной автоматизации.

Обновите, чтобы на самом деле ответить на ваш вопрос ... :) Предварительно обработайте изображение с помощью нелинейного фильтра, чтобы подавить шум соли и перца. Может быть, медианный фильтр?

Далее следует основной урок по БПФ на согласованных фильтрах ...

Классическим способом обнаружения меньшего изображения в большом изображении является согласованный фильтр . По сути, это включает в себя взаимную корреляцию большего изображения с меньшим изображением (то, что вы пытаетесь распознать).

1. Для каждой позиции в большом изображении
2. Наложить меньшее изображение на большее изображение
3. Умножить все соответствующие пиксели
4. Суммировать результаты
5. Поместить эту сумму в эту позицию в отфильтрованном изображении

Согласованный фильтр оптимален там, где единственным шумом на большом изображении является белый шум.

Это вычислительно медленное ПО, но его можно разложить на операции БПФ (быстрое преобразование Фурье), которые намного более эффективны. Существуют гораздо более сложные подходы к сопоставлению изображений, которые намного лучше переносят другие типы шума, чем согласованный фильтр. Но немногие из них столь же эффективны, как согласованный фильтр, реализованный с использованием БПФ.

Google "согласованный фильтр", "взаимная корреляция" и "фильтр свертки", чтобы узнать больше.

Например, вот одно краткое объяснение, которое также указывает на недостатки этого очень старого подхода к сопоставлению изображений: http://www.dspguide.com/ch24/6.htm