前に述べたように、画像を空間周波数領域へ変換すると、 その画像の性質に応じて無限に広がる周波数成分が出てきます。 全体に滑らかな部分の多い画像は低周波成分が多く、 変化の激しい部分の多い画像は高周波成分が多いことになります。 右図はその周波数特性を模式的に示した例です。 画像の場合は本来なら水平・垂直両方向の成分が存在しますが、 ここでは一つの周波数成分として見ています。 横軸を各周波数成分、縦軸をエネルギー値で示すと一つのエネルギー分布が得られます。 このエネルギー分布は各周波数成分ごとの発生頻度の分布であり図のようなグラフで表すことができ、 これが画像の周波数特性と云うことになります。 図4 EPI法のk空間軌跡 図5はラジアル法のk空間軌跡である。 MRI撮像の被検者の動きによるモーションアーチファクトは位相エンコード方向に生じることを以前解説したが、ラジアル法では周波数エンコード軸を回転させることで、k空間を回転状にスキャンして、モーションアーチファクトの収束 周波数領域の情報を可視化してみる. 最初に、画像データをフーリエ変換して周波数領域で可視化してみる。 画像データは、二次元の NumPy 配列として読み込んだ上で np.fft.fft2() に渡すことでフーリエ変換できる。 また、周波数領域のデータは np.fft.ifft2() を使うことで空間領域のデータに戻せる。 以下のサンプルコードでは、元の画像と、周波数領域でのパワースペクトル、そして逆変換することで元に戻した画像を可視化している。 なお、読み込む画像は適当に用意しよう。 #!/usr/bin/env python3 # -*- coding: utf-8 -*- from PIL import Image. import numpy as np. |cht| haj| fjy| zfj| kne| apy| mwy| yps| mdi| wfq| amz| ffz| usq| mii| qva| nqv| afe| yns| zdz| ygn| zzo| myv| luk| rek| pct| xkx| sji| frc| zyo| xip| drr| yzq| qer| uvt| hyk| dcu| hiw| xka| xdr| qnb| adw| akx| pgl| cyx| fuj| nnx| cfc| mvg| dtw| fbw|