CS425 Lab: Frequency Domain Processing

1. Discrete Fourier Transform

See section 14.1 in your textbook

This is a brief review of the Fourier transform. An in-depth discussion of the Fourier transform is
best left to your class instructor.

The general idea is that the image (f(x,y) of size M x N) will be represented in the frequency
domain (F(u,v)). The equation for the two-dimensional discrete Fourier transform (DFT) is:

Đây là một đánh giá ngắn gọn của biến đổi Fourier. Một cuộc thảo luận sâu về những biến đổi Fourier là
tốt nhất còn lại để hướng dẫn lớp học của bạn.
Ý tưởng chung là các hình ảnh (f (x, y) có kích thước M x N) sẽ được đại diện trong lĩnh vực tần số (F (u,
v)). Các phương trình cho hai chiều biến đổi Fourier rời rạc (DFT) là:

The concept behind the Fourier transform is that any waveform that can be constructed using a
sum of sine and cosine waves of different frequencies. The exponential in the above formula can
be expanded into sines and cosines with the variables u and v determining these frequencies.

The inverse of the above discrete Fourier transform is given by the following equation:

Khái niệm phía sau biến đổi Fourier là bất kỳ dạng sóng có thể được xây dựng bằng cách sử dụng một số
cô sin sin và sóng tần số khác nhau. Các mũ trong các công thức trên có thể được mở rộng sang sin và
cosines với biến u và v xác định các tần số.
Nghịch đảo của biến đổi Fourier rời rạc trên được đưa ra bởi các phương trình sau đây:

Thus, if we have F(u,v), we can obtain the corresponding image (f(x,y)) using the inverse,
discrete Fourier transform.

Things to note about the discrete Fourier transform are the following:

 the value of the transform at the origin of the frequency domain, at F(0,0), is called the dc
component
 o F(0,0) is equal to MN times the average value of f(x,y)
o in MATLAB, F(0,0) is actually F(1,1) because array indices in MATLAB start at
1 rather than 0

 the values of the Fourier transform are complex, meaning they have real and imaginary
parts. The imaginary parts are represented by i, which is defined solely by the property
that its square is −1, ie:

 we visually analyze a Fourier transform by computing a Fourier spectrum (the

magnitude of F(u,v)) and display it as an image.
o the Fourier spectrum is symmetric about the origin

 the fast Fourier transform (FFT) is a fast algorithm for computing the discrete Fourier
transform.

Như vậy, nếu chúng ta có F (u, v), chúng ta có thể có được những hình ảnh tương ứng (f (x, y)) bằng cách
sử dụng nghịch đảo, biến đổi Fourier rời rạc.
Những điều cần lưu ý về biến đổi Fourier rời rạc như sau:
• giá trị của biến tại nguồn gốc của các miền tần số, tại F (0,0), được gọi là thành phần dc
o F (0,0) là tương đương với MN lần giá trị trung bình của f (x, y)
o trong MATLAB, F (0,0) là thực sự F (1,1), vì các chỉ số mảng trong MATLAB bắt đầu từ 1 chứ không phải
hơn 0
• các giá trị của biến đổi Fourier là rất phức tạp, có nghĩa là họ có phần thực và tưởng tượng. Các bộ
phận tưởng tượng được đại diện bởi tôi, mà là xác định hoàn toàn bởi các tài sản hình vuông của nó là -
1, tức là:

• chúng tôi trực quan phân tích một biến đổi Fourier của một máy tính phổ Fourier (độ lớn của F (u, v))
và hiển thị nó như là một hình ảnh.
o phổ Fourier là đối xứng về nguồn gốc
• Biến đổi Fourier nhanh (FFT) là một thuật toán nhanh chóng cho tính toán biến đổi Fourier rời rạc.

 MATLAB has three functions to compute the DFT:

1. fft -for one dimension (useful for audio)

2. fft2 -for two dimensions (useful for images)
3. fftn -for n dimensions

 MATLAB has three related functions that compute the inverse DFT:
1. ifft
2. ifft2
3. ifftn

1.1 How to Display a Fourier Spectrum using MATLAB

The following table is meant to describe the various steps behind displaying the Fourier
Spectrum.

Bảng sau đây là có nghĩa là để mô tả các bước sau hiển thị phổ Fourier.

MATLAB code Image Produced

%Create a black 30x30 image

f=zeros(30,30);

%With a white rectangle in it.

f(5:24,13:17)=1;

imshow(f,'InitialMagnification', 'fit')

%Calculate the DFT.

F=fft2(f);

%There are real and imaginary parts to F.

%Use the abs function to compute the magnitude
%of the combined components.
F2=abs(F);

figure, imshow(F2,[],
'InitialMagnification','fit')
%To create a finer sampling of the Fourier
transform,
%you can add zero padding to f when computing
its DFT
%Also note that we use a power of 2, 2^256
%This isbecause the FFT -Fast Fourier Transform
-
%is fastest when the image size has many
factors.
F=fft2(f, 256, 256);

F2=abs(F);
figure, imshow(F2, [])

%The zero-frequency coefficient is displayed in

the
%upper left hand corner. To display it in the
center,
%you can use the function fftshift.
F2=fftshift(F);

F2=abs(F2);
figure,imshow(F2,[])

%In Fourier transforms, high peaks are so high

they
%hide details. Reduce contrast with the log
function.
F2=log(1+F2);

figure,imshow(F2,[])

To get the results shown in the last image of the table, you can also combine MATLAB calls as
in:
f=zeros(30,30);
f(5:24,13:17)=1;
F=fft2(f, 256,256);
F2=fftshift(F);
figure,imshow(log(1+abs(F2)),[])

Notice in these calls to imshow, the second argument is empty square brackets. This maps the
minimum value in the image to black and the maximum value in the image to white.

Lưu ý trong các cuộc gọi đến imshow, tham số thứ hai là dấu ngoặc vuông trống. Điều này bản đồ giá trị
nhỏ nhất trong hình ảnh để màu đen và giá trị tối đa hình ảnh để màu trắng.

2. Frequency Domain Versions of Spatial Filters

See section 14.3.5, 14.5.1, and 14.5.2 in your textbook

The following convolution theorem shows an interesting relationship between the spatial domain
and frequency domain:

and, conversely,

where the symbol "*" indicates convolution of the two functions. The important thing to extract
out of this is that the multiplication of two Fourier transforms corresponds to the convolution of
the associated functions in the spatial domain. This means we can perform linear spatial filters as
a simple component-wise multiply in the frequency domain.

This suggests that we could use Fourier transforms to speed up spatial filters. This only works
for large images that are correctly padded, where multiple transformations are applied in the
frequency domain before moving back to the spatial domain.

When applying Fourier transforms padding is very important. Note that, because images are
infinitely tiled in the frequency domain, filtering produces wraparound artefacts if you don't zero
pad the image to a larger size. The paddedsize function below calculates a correct padding size
to avoid this problem. The paddedsize function can also help optimize the performance of the
DFT by providing power of 2 padding sizes. See paddesize's help header for details on how to
do this.

nơi mà "*" biểu tượng cho thấy convolution của hai hàm. Điều quan trọng để trích xuất ra của việc này
là các nhân của hai biến đổi Fourier tương ứng với chập của các chức năng liên quan trong lĩnh vực
không gian. Điều này có nghĩa chúng ta có thể thực hiện các bộ lọc không gian tuyến tính đơn giản như
là một thành phần thông minh nhân trong lĩnh vực tần số.
Điều này cho thấy rằng chúng ta có thể sử dụng biến đổi Fourier để tăng tốc độ bộ lọc không gian. Điều
này chỉ làm cho hình ảnh lớn được chính xác đệm, nơi nhiều biến đổi được áp dụng trong lĩnh vực tần số
trước khi chuyển trở về miền không gian.
Khi áp dụng biến đổi Fourier đệm là rất quan trọng. Lưu ý rằng, bởi vì hình ảnh được lát gạch vô hạn
trong lĩnh vực tần số, lọc ra các đồ tạo tác wraparound nếu bạn không không pad hình ảnh vào một kích
thước lớn hơn. Chức năng paddedsize dưới đây sẽ tính toán kích thước đệm chính xác để tránh vấn đề
này. Chức năng paddedsize cũng có thể giúp tối ưu hóa hiệu suất của DFT bằng cách cung cấp sức mạnh
của 2 kích cỡ đệm. Xem paddesize giúp của phần đầu để biết chi tiết về cách làm này.

2.1 Basic Steps in DFT Filtering

The following summarize the basic steps in DFT Filtering (taken directly from page 121 of
Digital Image Processing Using MATLAB):

1. Obtain the padding parameters using function paddedsize:

PQ=paddedsize(size(f));

2. Obtain the Fourier transform of the image with padding:

F=fft2(f, PQ(1), PQ(2));

3. Generate a filter function, H, the same size as the image

4. Multiply the transformed image by the filter:

G=H.*F;

5. Obtain the real part of the inverse FFT of G:

g=real(ifft2(G));

6. Crop the top, left rectangle to the original size:

g=g(1:size(f, 1), 1:size(f, 2));

2.2 Example: Applying the Sobel Filter in the Frequency Domain

For example, let's apply the Sobel filter to the following picture in both the spatial domain and
frequency domain.
*Note, this code relies on paddedsize.m
Spatial Domain Filtering
%Create the Spacial Filtered Image
f = imread('entry2.png');
h = fspecial('sobel');
sfi = imfilter(double(f),h, 0, 'conv');
%Display results (show all values)
figure,imshow(sfi, []);
%The abs function gets correct magnitude
%when used on complex numbers
sfim = abs(sfi);
figure, imshow(sfim, []);
Frequency Domain Filtering
%Create the Frequency Filtered Image
f = imread('entry2.png');
h = fspecial('sobel');
PQ = paddedsize(size(f));
F = fft2(double(f), PQ(1), PQ(2));
H = fft2(double(h), PQ(1), PQ(2));
F_fH = H.*F;
ffi = ifft2(F_fH);
ffi = ffi(2:size(f,1)+1, 2:size(f,2)+1);
%Display results (show all values)
figure, imshow(ffi,[])
%The abs function gets correct magnitude
%when used on complex numbers
ffim = abs(ffi);
figure, imshow(ffim, []);
%threshold into a binary image %threshold into a binary image
figure, imshow(sfim > 0.2*max(sfim(:))); figure, imshow(ffim > 0.2*max(ffim(:)));

You will notice that both approaches result in a similar looking, if not identical filtered image.
You may have to adjust how you crop the image slightly as shown in the example above.

3. Frequency Domain Specific Filters

See section 14.5.3 in your textbook, and Chapter 4 and Section 5.4 in Digital Image Processing Using MATLAB

As you have already seen, based on the property that multiplying the FFT of two functions from
the spatial domain produces the convolution of those functions, you can use Fourier transforms
as a fast convolution on large images. Note that on small images it is faster to work in the spatial
domain.

However, you can also create filters directly in the frequency domain. There are three commonly
discussed filters in the frequency domain:

 Lowpass filters, sometimes known as smoothing filters

 Highpass filters, sometimes known as sharpening filters
  Notch filters, sometimes known as band-stop filters

Như bạn đã thấy, dựa trên các tài sản mà nhân FFT của hai chức năng từ các miền không gian sản xuất
các chập của những chức năng này, bạn có thể sử dụng biến đổi Fourier như một chập nhanh trên hình
ảnh lớn. Lưu ý rằng trên hình ảnh nhỏ nó là nhanh hơn để làm việc trong lĩnh vực không gian.
Tuy nhiên, bạn cũng có thể tạo các bộ lọc trực tiếp trong lĩnh vực tần số. Có ba bộ lọc thường được thảo
luận trong lĩnh vực tần số:
• Lowpass bộ lọc, đôi khi được gọi là bộ lọc làm mịn
• Highpass bộ lọc, đôi khi được gọi là bộ lọc mài
• bộ lọc Notch, đôi khi được gọi là bộ lọc dải dừng

3.1 Lowpass Filters

Lowpass filters:

 create a blurred (or smoothed) image

 attenuate the high frequencies and leave the low frequencies of the Fourier transform
relatively unchanged

Three main lowpass filters are discussed in Digital Image Processing Using MATLAB:

1. ideal lowpass filter (ILPF)

2. Butterworth lowpass filter (BLPF)
3. Gaussian lowpass filter (GLPF)

The corresponding formulas and visual representations of these filters are shown in the table
below. In the formulae, D0 is a specified nonnegative number. D(u,v) is the distance from point
(u,v) to the center of the filter.

Lowpass bộ lọc:
• tạo ra một mờ (hoặc làm mịn) hình ảnh
• suy nhược các tần số cao và để lại các tần số thấp của biến đổi Fourier tương đối không thay đổi
Ba bộ lọc lowpass chính được thảo luận trong xử lý hình ảnh kỹ thuật số Sử dụng MATLAB:
1. lý tưởng lowpass lọc (ILPF)
2. Butterworth lowpass lọc (BLPF)
3. Gaussian lowpass lọc (GLPF)
Các công thức tương ứng và đại diện hình ảnh của các bộ lọc này được trình bày trong bảng dưới đây.
Trong công thức này, D0 là một số quy định không âm. D (u, v) là khoảng cách từ điểm (u, v) đến trung
tâm của bộ lọc.

Lowpass
Mesh Image
Filter
Ideal:

Butterwo
rth:

Gaussian:

To view the MATLAB calls that were used to create the images in the above table, click on this
link.

The following is the result of applying a Gaussian lowpass filter on an image.

Fourier
Original
Spectrum of
Image
Image
 Spectrum of
Image with
image with
Gaussian
Gaussian
lowpass filter
lowpass filter

The above images were created using two M-files (lpfilter.m and dftuv.m) and the following
MATLAB calls:

footBall=imread('football.jpg');
%Convert to grayscale
footBall=rgb2gray(footBall);
imshow(footBall)

%Determine good padding for Fourier transform

PQ = paddedsize(size(footBall));

%Create a Gaussian Lowpass filter 5% the width of the Fourier transform

D0 = 0.05*PQ(1);
H = lpfilter('gaussian', PQ(1), PQ(2), D0);

% Calculate the discrete Fourier transform of the image

F=fft2(double(footBall),size(H,1),size(H,2));

% Apply the highpass filter to the Fourier spectrum of the image

LPFS_football = H.*F;

% convert the result to the spacial domain.

LPF_football=real(ifft2(LPFS_football));

% Crop the image to undo padding

LPF_football=LPF_football(1:size(footBall,1), 1:size(footBall,2));

%Display the blurred image

figure, imshow(LPF_football, [])

% Display the Fourier Spectrum

% Move the origin of the transform to the center of the frequency rectangle.
Fc=fftshift(F);
Fcf=fftshift(LPFS_football);
% use abs to compute the magnitude and use log to brighten display
S1=log(1+abs(Fc));
S2=log(1+abs(Fcf));
figure, imshow(S1,[])
figure, imshow(S2,[])

3.2 Highpass Filters

Highpass filters:

 sharpen (or shows the edges of) an image

 attenuate the low frequencies and leave the high frequencies of the Fourier transform
relatively unchanged

The highpass filter (Hhp) is often represented by its relationship to the lowpass filter (Hlp):

Because highpass filters can be created in relationship to lowpass filters, the following table
shows the three corresponding highpass filters by their visual representations:

Highpass bộ lọc:
• sharpen (hoặc cho thấy các mép của) một hình ảnh
• suy nhược các tần số thấp và để lại các tần số cao của biến đổi Fourier tương đối không thay đổi
Các highpass lọc (HHP) thường được đại diện bởi mối quan hệ của nó với các lowpass lọc (HLP):
Bởi vì bộ lọc highpass có thể được tạo ra trong mối quan hệ với lowpass bộ lọc, bảng sau đây cho thấy
các bộ lọc tương ứng highpass quan Đại diện trực quan của mình:

Low
pass
Mesh Image
Filt
er

Idea
l

Butt
erw
orth

Gau
ssia
n

To view the MATLAB calls that were used to create the images in the above table, click on this
link.

The following is the result of applying a Gaussian lowpass filter on an image.

 Fourier
Original
Spectrum of
Image
Image

Spectrum of
Image with
image with
Gaussian
Gaussian
highpass
highpass
filter
filter

The above images were created using three M-files (dftuv.m, and hpfilter.m) and the following
MATLAB calls

footBall=imread('football.jpg');

%Convert to grayscale
footBall=rgb2gray(footBall);
imshow(footBall)

%Determine good padding for Fourier transform

PQ = paddedsize(size(footBall));

%Create a Gaussian Highpass filter 5% the width of the Fourier transform

D0 = 0.05*PQ(1);
H = hpfilter('gaussian', PQ(1), PQ(2), D0);

% Calculate the discrete Fourier transform of the image

F=fft2(double(footBall),size(H,1),size(H,2));

% Apply the highpass filter to the Fourier spectrum of the image

HPFS_football = H.*F;

% convert the result to the spacial domain.

HPF_football=real(ifft2(HPFS_football));

% Crop the image to undo padding

HPF_football=HPF_football(1:size(footBall,1), 1:size(footBall,2));

%Display the "Sharpened" image

figure, imshow(HPF_football, [])

% Display the Fourier Spectrum

% Move the origin of the transform to the center of the frequency rectangle.
Fc=fftshift(F);
Fcf=fftshift(HPFS_football);
% use abs to compute the magnitude and use log to brighten display
S1=log(1+abs(Fc));
S2=log(1+abs(Fcf));
figure, imshow(S1,[])
figure, imshow(S2,[])

3.3 Notch Filters

Notch filters:

 are used to remove repetitive "Spectral" noise from an image

 are like a narrow highpass filter, but they "notch" out frequencies other than the dc
component
 attenuate a selected frequency (and some of its neighbors) and leave other frequencies of
the Fourier transform relatively unchanged

Repetitive noise in an image is sometimes seen as a bright peak somewhere other than the origin.
You can suppress such noise effectively by carefully erasing the peaks. One way to do this is to
use a notch filter to simply remove that frequency from the picture. This technique is very
common in sound signal processing where it is used to remove mechanical or electronic hum,
such as the 60Hz hum from AC power. Although it is possible to create notch filters for common
noise patterns, in general notch filtering is an ad hoc procedure requiring a human expert to
determine what frequencies need to be removed to clean up the signal.

The following is an example of removing synthetic spectral "noise" from an image.

Bộ lọc Notch:
• được sử dụng để loại bỏ lặp đi lặp lại "quang phổ" tiếng ồn từ một hình ảnh
• giống như một bộ lọc highpass hẹp, nhưng họ "sắc" tần số ra khác với các thành phần dc
• suy nhược một tần số lựa chọn (và một số nước láng giềng) và để lại các tần số khác của biến đổi
Fourier tương đối không thay đổi
Tiếng ồn lặp đi lặp lại trong một hình ảnh đôi khi được xem như là một cao điểm sáng nào đó khác với
nguồn gốc. Bạn có thể ngăn chặn tiếng ồn như hiệu quả bằng cách cẩn thận tẩy xoá các đỉnh núi. Một
cách để làm điều này là sử dụng một notch bộ lọc để chỉ cần loại bỏ tần số từ hình ảnh. Kỹ thuật này rất
phổ biến trong xử lý tín hiệu âm thanh, nơi nó được sử dụng để loại bỏ cơ khí hoặc điện tử hum, chẳng
hạn như hum 60Hz từ nguồn AC. Mặc dù nó có thể tạo ra các bộ lọc sắc cho các mẫu tiếng ồn thông
thường, trong tổng notch lọc là một thủ tục đặc biệt đòi hỏi một chuyên gia về con người để xác định
tần số cần được loại bỏ để làm sạch các tín hiệu.
Sau đây là một ví dụ về loại bỏ tổng hợp quang phổ "nhiễu" từ một hình ảnh.

Fourier
Spectrum of
Noisy Image
Image (noise
peaks circled)

Spectrum of
Image after
image after
Butterworth
Butterworth
notch filters
notch filters
The above images were created using two M-files (dftuv.m, and notch.m), noiseball.png, and the
following MATLAB calls

footBall=imread('noiseball.png');
imshow(footBall)

%Determine good padding for Fourier transform

PQ = paddedsize(size(footBall));

%Create Notch filters corresponding to extra peaks in the Fourier transform

H1 = notch('btw', PQ(1), PQ(2), 10, 50, 100);
H2 = notch('btw', PQ(1), PQ(2), 10, 1, 400);
H3 = notch('btw', PQ(1), PQ(2), 10, 620, 100);
H4 = notch('btw', PQ(1), PQ(2), 10, 22, 414);
H5 = notch('btw', PQ(1), PQ(2), 10, 592, 414);
H6 = notch('btw', PQ(1), PQ(2), 10, 1, 114);

% Calculate the discrete Fourier transform of the image

F=fft2(double(footBall),PQ(1),PQ(2));

% Apply the notch filters to the Fourier spectrum of the image

FS_football = F.*H1.*H2.*H3.*H4.*H5.*H6;

% convert the result to the spacial domain.

F_football=real(ifft2(FS_football));

% Crop the image to undo padding

F_football=F_football(1:size(footBall,1), 1:size(footBall,2));

%Display the blurred image

figure, imshow(F_football,[])

% Display the Fourier Spectrum

% Move the origin of the transform to the center of the frequency rectangle.
Fc=fftshift(F);
Fcf=fftshift(FS_football);
% use abs to compute the magnitude and use log to brighten display
S1=log(1+abs(Fc));
S2=log(1+abs(Fcf));
figure, imshow(S1,[])
figure, imshow(S2,[])

4. Exercises
Part 1: Identifying and Using High and Low Pass Filters (4 marks)

1. Download the following image "97.jpg" and store it in MATLAB's "Current Directory".

2. Identify which of the following is the result of a lowpass or highpass Butterworth filter
and reproduce the results.

Image 1 Image 2

3. Display the Fourier spectrum for 97.jpg

Deliverables:

 Identification of high and low pass filters in above images

 Reproduced highpass and lowpass filter for 97.jpg
 Fourier spectrum for 97.jpg
Part 2: Using Spatial Filters in the Frequency Domain (4 marks)

1. Download the following image "two_cats.jpg" and store it in MATLAB's "Current

Directory".

2. Load the image data.

3. Create a spatial filter to get the horizontal edge of the image
4. Create a spatial filter to get the vertical edge of the image (read the MATLAB
documentation of fspecial).
5. Transform both of these filters to the frequency domain.
6. Transform the two_cats image to the frequency domain
7. Apply the appropriate operations in the frequency domain
8. Transform the data back into the spatial domain
9. Sum the horizontal and vertical edge components together
10. The resulting image should look like this:
11.

4. Nạp dữ liệu ảnh.

3. Tạo một bộ lọc không gian để có được các cạnh ngang của hình ảnh
4. Tạo một bộ lọc không gian để có được các cạnh dọc của hình ảnh (đọc tài liệu
MATLAB của fspecial).
5. Chuyển đổi cả hai bộ lọc vào miền tần số.
6. Biến đổi hình ảnh two_cats vào miền tần số
7. Áp dụng thích hợp các hoạt động trong lĩnh vực tần số
8. Chuyển đổi dữ liệu trở lại vào không gian miền
9. Tổng hợp các thành phần nằm ngang và thẳng đứng cạnh nhau
10. Những hình ảnh kết quả sẽ giống như thế này:
 5.

Deliverables:

 image of horizontal edge

 image of vertical edge
 image of horizontal and vertical edge combined

hình ảnh của cạnh ngang

• hình ảnh thẳng đứng
• hình ảnh của cạnh ngang và dọc kết hợp

Part 3: CSI Style Image Enhancement (4 marks)

You are the image processing expert for a local police department. A detective has reopened a
cold case and part of his evidence is a newpaper print of a car. You have been asked to do some
CSI style magic to see if you can learn the suspect's license plate number or see his face.

Bạn là người xử lý hình ảnh chuyên gia cho một sở cảnh sát địa phương. Một thám tử đã mở cửa trở lại
một trường hợp cảm lạnh và một phần bằng chứng của ông là một in newpaper của xe. Bạn đã được
yêu cầu làm một số phép thuật phong cách CSI để xem bạn có thể tìm hiểu số giấy phép của nghi ngờ
tấm hoặc nhìn thấy khuôn mặt của mình.
1. Download the image "halftone.png" and store it in MATLAB's "Current Directory".

2. Use a set of notch filters to remove the peaks from the image's Fourier transform.
TIPS:
o create a function that takes a list of peaks as an argument
o the peaks form a repetitive pattern. Figure out the pattern to save time.
3. Fine tune your results by trying varying widths of the three notch filter types. Provide a
best effort solution for each one. Also provide a blurring based solution in Photoshop.

2. Sử dụng một bộ lọc notch để loại bỏ các đỉnh núi từ Fourier của hình ảnh chuyển đổi.
MẸO:
o tạo ra một chức năng mà phải mất một danh sách các đỉnh núi như một đối số
o các đỉnh núi hình thành một khuôn mẫu lặp đi lặp lại. Tìm ra các mô hình tiết kiệm thời gian.
3. Mỹ điều chỉnh kết quả của bạn bằng cách thử độ rộng khác nhau của ba loại bộ lọc notch.
Cung cấp một giải pháp nỗ lực tốt nhất cho mỗi một. Cũng cung cấp một giải pháp làm mờ dựa
trên trong Photoshop.
 4. The following is one possible solution:

Deliverables:

 A script that creates and displays 3 best effort notch filter sets for each of the three notch
filter types.
 Photoshop/Gimp created blur of the original image.

Phân phôi:
• Một kịch bản tạo ra và hiển thị 3 bộ lọc nỗ lực xuất sắc nhất cho mỗi một trong ba loại bộ lọc notch.
• Photoshop / GIMP tạo ra vệt mờ của hình ảnh gốc.