Fundamentos del análisis en dominio de frecuencia - Comprender la frecuencia espacial y el espectro

El concepto de frecuencia espacial - Ondas en las imágenes

Una imagen puede verse como la superposición de ondas bidimensionales de diferentes frecuencias. La frecuencia espacial describe la rapidez con la que cambia el brillo en una imagen.

Comprensión intuitiva:

• Baja frecuencia espacial: regiones donde el brillo cambia lentamente. Como cielos azules, paredes y otras áreas uniformes extensas
• Alta frecuencia espacial: regiones donde el brillo cambia rápidamente. Como bordes, texturas, texto y otras áreas ricas en detalles
• Frecuencia y dirección: la frecuencia espacial tiene dos atributos simultáneos: frecuencia (rapidez del cambio) y dirección (dirección del cambio)

Analogía: así como el sonido puede descomponerse en ondas sinusoidales de diferentes frecuencias, una imagen puede descomponerse en rejillas sinusoidales (franjas alternas claras y oscuras) de diferentes frecuencias espaciales y direcciones.

Transformada de Fourier 2D - Del dominio espacial al dominio de frecuencia

La Transformada Discreta de Fourier bidimensional (2D DFT) convierte una imagen del dominio espacial (valores de píxeles) al dominio de frecuencia (magnitud y fase de los componentes frecuenciales).

Resultado de la transformación:

• Entrada: matriz real MxN (imagen en escala de grises)
• Salida: matriz compleja MxN, donde cada elemento contiene magnitud (intensidad de esa frecuencia) y fase (información posicional de esa frecuencia)

Algoritmo FFT:

• El cálculo directo de la DFT tiene complejidad O(N^2); la FFT la reduce a O(N log N)
• Máxima eficiencia cuando el tamaño de imagen es potencia de 2 (de lo contrario, se rellena con ceros)
• Python: F = np.fft.fft2(image)

Simetría del espectro: el espectro de una imagen real tiene simetría conjugada (F(u,v) = F*(-u,-v)), por lo que el espectro es simétrico respecto al centro.

Interpretación del espectro - Espectro de magnitud y de fase

Comprender el significado de cada parte del espectro es la base para el procesamiento en el dominio de frecuencia.

Espectro de magnitud:

• Centro (componente DC): brillo promedio de la imagen
• Cerca del centro: componentes de baja frecuencia, correspondientes a la estructura general y grandes bloques de color
• Lejos del centro: componentes de alta frecuencia, correspondientes a bordes, texturas y ruido
• Líneas brillantes en una dirección específica: presencia de una estructura periódica fuerte en esa dirección de la imagen

Espectro de fase:

• Contiene la información estructural y posicional de la imagen
• Experimentos demuestran: una imagen con fase preservada y magnitud aleatoria sigue siendo reconocible; con magnitud preservada y fase aleatoria es completamente irreconocible
• La fase es más importante que la magnitud (para la visión humana)

Visualización logarítmica: el rango dinámico del espectro de magnitud es enorme (el componente DC es mucho mayor que los demás), por lo que normalmente se muestra en escala logarítmica: spectrum = np.log(1 + np.abs(F))

Operaciones básicas del procesamiento en dominio de frecuencia

En el dominio de frecuencia, la convolución del dominio espacial se convierte en una simple multiplicación elemento a elemento, lo que hace que ciertas operaciones sean más eficientes o intuitivas.

Teorema de convolución:

• La convolución en el dominio espacial equivale a la multiplicación elemento a elemento en el dominio de frecuencia
• f * g = IFFT(FFT(f) · FFT(g))
• Cuando el kernel de convolución es grande, la multiplicación en frecuencia es más rápida que la convolución espacial

Operaciones básicas:

• Filtrado: multiplicar el espectro por la función de transferencia del filtro. Paso bajo (desenfoque), paso alto (nitidez), paso banda (extracción de frecuencias específicas)
• Eliminación de ruido: suprimir los componentes frecuenciales correspondientes al ruido
• Eliminación de desenfoque: dividir por el espectro del kernel de desenfoque (filtrado inverso/filtro de Wiener)
• Mejora de imagen: amplificar o suprimir selectivamente rangos de frecuencia específicos

Aplicaciones prácticas del análisis en dominio de frecuencia

El análisis en dominio de frecuencia tiene aplicaciones importantes en múltiples áreas del procesamiento de imágenes.

Escenarios de aplicación:

• Análisis de ruido: identificar el tipo de ruido mediante el espectro (el ruido gaussiano se distribuye uniformemente en el espectro; el ruido periódico aparece como picos discretos)
• Evaluación de calidad de imagen: la proporción de energía de alta frecuencia en el espectro refleja la nitidez y riqueza de detalles de la imagen
• Análisis de texturas: las texturas periódicas producen patrones de picos característicos en el espectro
• Detección de movimiento: el desenfoque por movimiento produce patrones de atenuación en una dirección específica del espectro
• Detección de marcas de agua: las marcas de agua en dominio frecuencial incrustan información en posiciones específicas del espectro

Comparación con métodos del dominio espacial: los métodos frecuenciales son adecuados para operaciones globales (filtrado general, eliminación de ruido periódico); los métodos espaciales son adecuados para operaciones locales (filtrado adaptativo, preservación de bordes). En la práctica, a menudo se combinan ambos.

周波数解析の理論書は Amazon でも入手できます

Implementación en Python - Caja de herramientas de análisis frecuencial

Construcción de herramientas básicas de análisis en dominio de frecuencia usando Python, desde el cálculo de la FFT hasta la visualización del espectro.

Herramientas básicas:

• NumPy: np.fft.fft2, np.fft.ifft2, np.fft.fftshift
• OpenCV: cv2.dft (más rápido, soporta cálculo in situ)
• SciPy: scipy.fft.fft2 (soporta múltiples backends de aceleración)

Visualización del espectro:

• magnitude = np.log(1 + np.abs(np.fft.fftshift(np.fft.fft2(img))))
• Mostrar con imshow de matplotlib, cmap="gray" o cmap="hot"

Consejos de rendimiento:

• La FFT es más rápida cuando el tamaño de imagen es potencia de 2; de lo contrario, rellenar con ceros hasta la potencia de 2 más cercana
• Para imágenes grandes, la biblioteca pyfftw (binding Python de FFTW) puede ser 2-5 veces más rápida que NumPy
• Aceleración GPU: cupyx.scipy.fft de CuPy ejecuta FFT en GPU