সংক্ষেপে, ফ্রিকোয়েন্সি পরিবর্তনের হারকে বোঝায়। আরো সঠিকভাবে, ফ্রিকোয়েন্সি বিপরীত হয় সময়ের পরিবর্তন-যে এর সময় পরিমাণ এটা এক উজ্জ্বলতা (অথবা যাই হোক না কেন) একটি ভিন্ন উজ্জ্বলতা এবং ফিরে আবার থেকে চক্র লাগে। তারপরে তত দ্রুত পরিবর্তন হয় (উদাহরণস্বরূপ আলোক থেকে অন্ধকারে), চিত্রের সেই অংশটি উপস্থাপনের জন্য ভিজ্যুয়াল "ফ্রিকোয়েন্সি" তত বেশি হয়।
অন্য কথায়, আপনি কোনও চিত্রের ফ্রিকোয়েন্সিটিকে পরিবর্তনের হার হিসাবে ভাবতে পারেন। চিত্রের কিছু অংশ যা এক রঙ থেকে অন্য রঙে দ্রুত পরিবর্তিত হয় (যেমন ধারালো প্রান্ত) উচ্চ ফ্রিকোয়েন্সি ধারণ করে এবং যে অংশগুলি ধীরে ধীরে পরিবর্তিত হয় (উদাহরণস্বরূপ দৃ colors় রঙযুক্ত বৃহত পৃষ্ঠগুলি) কেবলমাত্র কম ফ্রিকোয়েন্সি ধারণ করে।
আমরা যখন ডিসিটি এবং এফএফটি এবং অন্যান্য অনুরূপ রূপান্তরগুলি নিয়ে কথা বলি, তখন আমরা সাধারণত এগুলি একটি চিত্রের অংশে করি (যেমন, জেপিইজি সংক্ষেপণ, প্রান্ত সনাক্তকরণ এবং এর জন্য)। এটি প্রদত্ত আকারের ট্রান্সফর্ম ব্লকের প্রসঙ্গে রূপান্তরগুলি সম্পর্কে কথা বলতে সবচেয়ে সার্থক করে তোলে ।
কল্পনা করুন, আপনি যদি করেন তবে একটি 32 পিক্সেল এক্স 32 চিত্রের ডেটা পিক্সেল ব্লক। (এই সংখ্যাটি নির্বিচারে)) ধরুন যে চিত্রটি একটি সাধারণ গ্রেডিয়েন্ট যা বামদিকে সাদা, মাঝখানে কালো এবং ডানদিকে সাদা। আমরা বলব যে এই সিগন্যালের একটি পিরিয়ড রয়েছে যার দৈর্ঘ্য 32 পিক্সেলের প্রায় এক তরঙ্গ দৈর্ঘ্য, কারণ এটি প্রতিটি 32 পিক্সেল পরে আবার সাদা থেকে সাদা থেকে একটি সম্পূর্ণ চক্রের মধ্য দিয়ে যায়।
আমরা নির্বিচারে এই ফ্রিকোয়েন্সিটিকে "1" - 32 চিক্সেল প্রতি 1 চক্র বলতে পারি that আমি অস্পষ্টভাবে মনে করতে পারি যে এটিকে সাধারণত trans রূপান্তর পাঠ্যপুস্তকগুলিতে, বা θ / 2 বলা যেতে পারে তবে আমি ভুল মনে রাখতে পারি। যে কোনও উপায়ে, আমরা এখনই এটির জন্য 1 বলব, কারণ এটি নিখুঁত অর্থে নির্বিচারে; যা গুরুত্বপূর্ণ তা হ'ল আপেক্ষিক অর্থে ফ্রিকোয়েন্সিগুলির মধ্যে সম্পর্ক। :-)
ধরুন আপনার একটি দ্বিতীয় চিত্র রয়েছে যা এক প্রান্তে সাদা, তারপরে দ্বিগুণ দ্রুত বিবর্ণ হয়ে গেছে যাতে এটি সাদা থেকে কালো, সাদা, কালো এবং আবার অন্য প্রান্তে আবার সাদা হয়ে যায়। আমরা তখন সেই ফ্রিকোয়েন্সিটিকে "2" বলব কারণ এটি 32 পিক্সেল ব্লকের প্রস্থের চেয়ে দ্বিগুণ পরিবর্তিত হয়।
যদি আমরা এই সাধারণ চিত্রগুলি পুনরুত্পাদন করতে চাইতাম, আমরা আক্ষরিকভাবে বলতে পারি যে প্রতিটি সারিটিতে 1 বা 2 এর ফ্রিকোয়েন্সি সহ একটি সংকেত থাকে এবং আপনি চিত্রগুলি দেখতে কেমন তা জানতে পারবেন। যদি চিত্রগুলি কালো থেকে 50% ধূসর হয়ে যায় তবে আপনি একই জিনিসটি করতে পারতেন তবে আপনাকে বলতে হবে যে 50% এর তীব্রতায় তাদের 1 বা 2 এর ফ্রিকোয়েন্সি ছিল।
বাস্তব-বিশ্বের চিত্রগুলি অবশ্যই কোনও সাধারণ গ্রেডিয়েন্ট নয়। বাম থেকে ডানে স্ক্যান করার সাথে সাথে চিত্রটি নিয়মিত পরিবর্তিত হয় এবং পর্যায়ক্রমে হয় না। তবে, একটি ছোট পর্যাপ্ত ব্লকের মধ্যে (উদাহরণস্বরূপ 8 পিক্সেল, 16 পিক্সেল) আপনি সারিগুলির পিক্সেলের মানগুলির গড় দিয়ে শুরু করে, পিক্সেলের এই সারিটিকে সংকেতের একটি সিরিজের সমষ্টি হিসাবে আনুমানিক করতে পারেন, তারপরে "পরিমাণের পরে" ফ্রিকোয়েন্সি 0.5 "সংকেত (একপাশে কালো, সাদা হয়ে যাওয়া সাদা) মিশ্রিত করতে (বা একটি নেতিবাচক পরিমাণের সাথে, বিয়োগের জন্য সেই সংকেতের পরিমাণ), তারপরে ফ্রিকোয়েন্সি 1, ফ্রিকোয়েন্সি 2, ফ্রিকোয়েন্সি 4, এবং আরও ।
এখন একটি চিত্র অনন্য যে এটি উভয় দিকের ফ্রিকোয়েন্সি রয়েছে; অনুভূমিকভাবে এবং উলম্বভাবে উভয় স্থানান্তরিত করার সময় এটি হালকা এবং গা get় হতে পারে। এই কারণে আমরা 1D এর পরিবর্তে 2D DCT বা FFT রূপান্তর ব্যবহার করি। তবে নীতিটি এখনও মূলত একই। আপনি একইভাবে আকারের বালতিগুলির একটি 8x8 গ্রিড সহ একটি 8x8 চিত্রটি স্পষ্টভাবে উপস্থাপন করতে পারেন।
রঙগুলির কারণে চিত্রগুলি আরও জটিল, তবে আমরা আপাতত এটিকে উপেক্ষা করব এবং ধরে নেব যে আমরা বিচ্ছিন্নভাবে কোনও ফটোগ্রাফের লাল চ্যানেলটি দেখে সম্ভবত একটি একক গ্রেস্কেল চিত্রটি দেখছি।
ট্রান্সফর্মের ফলাফলগুলি কীভাবে পড়বেন তা নির্ভর করে আপনি 1D ট্রান্সফর্ম বা 2 ডি রূপান্তর দেখছেন কিনা তার উপর নির্ভর করে। 1D ট্রান্সফর্মের জন্য, আপনার কাছে বিন্যাসের একটি সিরিজ রয়েছে। প্রথমটি সমস্ত ইনপুট মানগুলির গড় of দ্বিতীয়টি হ'ল ফ্রিকোয়েন্সি 1 সংকেত যোগ করার পরিমাণ, তৃতীয়টি সংযোজন 2 সংকেতের পরিমাণ ইত্যাদি যোগ করা ইত্যাদি is
2 ডি ট্রান্সফর্মের জন্য আপনার মানগুলির একটি এন x এন গ্রিড রয়েছে। উপরের বামটি সাধারণত সেই গড় হয় এবং আপনি যখন অনুভূমিক দিকের দিকে যান, প্রতিটি বালতিতে 1, 2, 4 ইত্যাদি অনুভূমিক ফ্রিকোয়েন্সি মিশ্রিত হওয়ার জন্য সংকেত পরিমাণ থাকে এবং আপনি উল্লম্ব দিকে যেতে যেতে এটি 1, 2, 4, ইত্যাদির উল্লম্ব ফ্রিকোয়েন্সি সহ মিশ্রিত সংকেতের পরিমাণ
এটি অবশ্যই, আপনি যদি কোনও ডিসিটির কথা বলছেন তবে সম্পূর্ণ গল্পটি; বিপরীতে, একটি এফএফটি জন্য প্রতিটি বিন বাস্তব এবং কাল্পনিক অংশ রয়েছে। এফএফটি এখনও একই বেসিক আইডিয়া (সাজানো) এর উপর ভিত্তি করে রয়েছে, ব্যতীত ফ্রিকোয়েন্সিগুলি বিনের সাথে ম্যাপ করার পদ্ধতিটি পৃথক এবং গণিতটি চুলচেরা। :-)
অবশ্যই, এই ধরণের রূপান্তরগুলি তৈরি করার সর্বাধিক সাধারণ কারণ হ'ল তারপরে আরও এক ধাপ এগিয়ে গিয়ে কিছু ডেটা ফেলে দেওয়া। উদাহরণস্বরূপ, জেপিইজি সংকোচনে ডিসিটি ব্যবহৃত হয়। উপরের বাম (গড়) দিয়ে শুরু করে এবং ডানদিকে ডান দিকে অগ্রসর হওয়া একটি জিগ-জাগ প্যাটার্নে মানগুলি পড়ার পরে, সর্বাধিক গুরুত্বপূর্ণ ডেটা (গড় এবং নিম্ন-ফ্রিকোয়েন্সি তথ্য) প্রথমে রেকর্ড হয় এবং তারপরে ক্রমবর্ধমান উচ্চ ফ্রিকোয়েন্সি ডেটা হয়। কিছু পর্যায়ে আপনি মূলত "এটি যথেষ্ট ভাল" বলে এবং সর্বোচ্চ-ফ্রিকোয়েন্সি ডেটা ফেলে দেয়। এটি মূলত এর সূক্ষ্ম বিশদটি ফেলে দিয়ে চিত্রটিকে মসৃণ করে, তবে এখনও আপনাকে প্রায় সঠিক চিত্র দেয়।
এবং আইআইআরসি, এফএফটিগুলি কখনও কখনও প্রান্ত সনাক্তকরণের জন্যও ব্যবহৃত হয়, যেখানে আপনি উচ্চতর ফ্রিকোয়েন্সি উপাদানগুলিকে তীক্ষ্ণ প্রান্তগুলিতে উচ্চ বিপরীতের ক্ষেত্রগুলি সনাক্ত করার উপায় হিসাবে ফেলে দেন।
জাতীয় উপকরণগুলির একটি দুর্দান্ত নিবন্ধ রয়েছে যা এটি চিত্র সহ ব্যাখ্যা করে। :-)
