傅利葉變換濾波時,為什麼需要對輸入資料進行零填充?

2021-09-24 05:47:34 字數 478 閱讀 3622

卷積定理:

空間濾波由濾波器模板 h(x,y) 卷積一幅影象 f(x,y) 組成。

根據卷積定理,在頻率域中讓 f(x,y) 乘以空間濾波器的傅利葉變換 h(u,v), 可得到相同的結果。

但在處理離散量時,我們知道 f 和 h 都是週期的,這表明在離散頻率域中執行的卷積也是週期的。因此用 dft 執行的卷積稱為迴圈卷積。

而保證空間和迴圈卷積給出相同結果的唯一方法,就是使用適當地零填充。

進一步解釋:

由卷積定理可知,在空間域要得到相應的濾波後的影象,就需要計算乘積 h(u,v)f(u,v) 的傅利葉反變換,當處理 dft 進行濾波操作時,影象及其變換都是週期的。不難發現,如果關於週期的非零部分的持續時間很靠近,則對週期函式執行卷積會導致相鄰週期之間的干擾,這種稱為摺疊誤差的干擾,可以通過補零方法來避免

機器學習中為什麼需要對資料進行歸一化?

如下圖所示,藍色的圈圈圖代表的是兩個特徵的等高線。其中左圖兩個特徵x1和x2的區間相差非常大,x1區間是 0,2000 x2區間是 1,5 其所形成的等高線非常尖。當使用梯度下降法尋求最優解時,很有可能走 之字型 路線 垂直等高線走 從而導致需要迭代很多次才能收斂 而右圖對兩個原始特徵進行了歸一化,...

深度學習中,為什麼需要對資料進行歸一化

使用gradient descent來訓練模型的話都要在資料預處理步驟進行資料歸一化。原因如下 根據反向傳播公式 如果輸入層 x 很大,在反向傳播時候傳遞到輸入層的梯度就會變得很大。梯度大,學習率就得非常小,否則會越過最優。在這種情況下,學習率的選擇需要參考輸入層數值大小,而直接將資料歸一化操作,能...

螣龍安科反入侵 為什麼企業需要對網路安全格外小心?

有些人可能不會將網路安全視為與客戶建立信任的一種方式。他們可能認為這只是防止惡意攻擊的一種方法。預防很重要,但是網路安全如何建立對客戶的信任?消費者擔心網際網路的安全風險。例如,在過去的十三年中,身份盜用一直是每年向聯邦 委員會投訴的第一大消費者。由於常識,消費者似乎感覺到大多數小型企業負擔不起最好...