Fourier 

Transform
1‐D and 2‐D
 Introduction
 Image processing methods can be 
broadly divided into two categories:
–Spatial domain (Real space) methods
–Frequency  domain (Fourier space) 
methods
 Introduction
 Spatial domain (Real space) methods
– work by directly processing input pixel array
 Frequency  domain (Fourier space) 
methods
– first perform Fourier transform of the input data 
to get a new representation
– new data is then processed, and finally
– inverse Fourier transform is performed on the 
resulting data to give the final output image
 Fourier Series Theorem
 Any periodic function can be expressed as a 
weighted sum (infinite) of sine and cosine 
functions of varying frequency:

where 
f0 is called the “fundamental frequency” 
and 
 Fourier Series

One of the Fundamental Secrets of the Universe
All waveforms, no matter what you scribble or observe in the 
universe, are actually just the sum of simple sinusoids of 
different frequencies.
 What is a Fourier Transform?
 It is a tool that breaks a waveform (a function or 
signal) into an alternate representation

 It represents a real valued function with the help 
of sine and cosine functions 

 sine and cosine functions defined in terms of 

frequencies
– High frequency components
– Low frequency components
 Fourier Transform of Images
 Fourier Transform of an Image:
– Tool which converts a spatial (real space) 
description of an image into one in terms of its 
frequency components
– Spatial domain  Frequency domain

 Inverse Fourier Transform:
– Tool which turns a Fourier space description of an 
image back into real space
– Frequency domain  Spatial domain 
 Significance of Frequency
 What is the significance of frequencies in an 
image? 
– High frequency
– Low frequency
 Significance of Frequency
 High Frequency:
– If an image has large values at high frequency 
components then it means the data is changing 
rapidly on a short distance scale 
– e.g., a page of text
Pixel 
Intensity, I

Text image: data changes rapidly Column index, x
 Significance of Frequency
 Low Frequency
– If the image has large low frequency components
then it means  the large scale features of the 
picture are more prominent
– e.g. a single fairly simple object which occupies 
most of the image

Pixel 
Intensity, I

Text image: data changes are slow Column index, x
 Fourier Transform: 1‐D Case
 1‐D Case:
– Considering a continuous function f(x) of a single 
variable x representing distance
– The Fourier transform of that function, denoted 
by F(u) where u represents spatial frequency, is 
defined by:
 Fourier Transform: 1‐D Case
 Important point to note
– in general F(u) will be a complex quantity even 
though the original data is purely real

 Meaning of Complex Quantity:
– The meaning of this is that, not only is the 
magnitude of each frequency present important, 
but that its phase relationship is too
 Fourier Transform: 1‐D Case
 Inverse Fourier Transform
– The inverse Fourier transform for obtaining 
f(x) from F(u) is given by:

This is quite similar to Fourier transform  except that 
the exponential term has the opposite sign
 Fourier Transform: 1‐D Case
 Example 1:
– Let's take an example to see how to compute  
Fourier Transform. 
– Consider function f(x) defined as below for Fourier 
transform computation
 Fourier Transform: 1‐D Case

 In this case F(u) is purely real, which is a consequence 
of the original data being symmetric in x
 Sinc function
– This function is often referred to as the Sinc function
 Fourier Transform: 1‐D Case
 Example 2:
– f(x) definition: from 0 to X, f(x) is A
 Magnitude and Phase
F (u )  R(u )  jI (u )
j ( u )
 F (u ) e
F (u )  R 2 (u )  I 2 (u )
 I (u ) 
 (u )  arctan  
 R(u ) 
 |F(u)| is called the magnitude spectrum
 φ(u) is called the phase spectrum (phase angle)
 Magnitude and Phase
 Power Spectrum or Spectral Density
2
P(u )  F (u )  R (u )  I (u )
2 2

 For display, we can use following 
formulation

D(u )  c log1  F (u ) 
 Fourier Transform: 2‐D Case
 Fourier Transform:
–If f(x,y) is a 2D function, its Fourier 
transform is given by:

f(x,y) is a 2D function and, for example, 
can be  the brightness in an image
 Fourier Transform: 2‐D Case
 Inverse Fourier transform
–It is given as follows
 Discrete Fourier Transform: 1‐D Case
 Images are discrete sequence of numbers
 Thus, we need a discrete formulation of the Fourier 
transform
 DFT 
– Input: takes regularly spaced data values, 
– Output: it returns the value of the Fourier transform (a 
set of values in frequency space which are equally 
spaced)
 Replacing the integration by summation quite 
naturally gives the discrete Fourier transform or 
DFT for short
 Discrete Fourier Transform: 1‐D Case
 Assume that x takes values from 0 to N‐1
– In 1‐D it is convenient now to assume that x 
goes up in steps of 1, and that there are N 
samples, at values of x from 0 to N‐1
 So the DFT takes the form:
 Discrete Fourier Transform: 1‐D Case
 NOTE minor changes from the continuous 
case to discrete case
 1/N factor in DFT
– There is a factor of 1/N in the exponential terms, and 
also the factor 1/N in front of the forward transform
 No 1/N in inverse DFT in front of expression:
– factor 1/N in front of the forward transform  does not 
appear in the inverse transform
 Important Note:
– Some authors include(1/N) factor before summation 
in inverse transform in place of including it in 
forward transform
Discrete Fourier Transform: 1‐D Case
Example
 Discrete Fourier Transform: 1‐D Case
Example
 F(u) is discrete so,
Fk(u) = F(k u)
k = 0,.., N-1

Note: If x is the sample spacing in spatial 
domain, corresponding spacing in 
frequency domain is given as u = 1/(N x)
 Discrete Fourier Transform Pair

 F(u) and f(x) makes discrete Fourier transform pair

 This means, substitution of the value of f(x) from 
second equation into the first equation gives 
identity  F(u)  F(u)
 Discrete Fourier Transform Pair
N 1 ux
1  j 2
F (u ) 
N
 f ( x )e
x 0
N

N 1 ux
j 2
f ( x)   F (u )e N

u 0

1 N 1 N 1 j 2
ux
  j 2
ux


F (u ) 
N
 F (u )e
x 0  u 0
N
e
N


Use following  property of orthogonality
N 1 j 2
rx
 j 2
ux
 N if r  u
e N
e N

x 0  0 otherwise
It gives F (u )  F (u )
Show this
 Discrete Fourier Transform: 2‐D Case
 The 2‐D DFT works in a similar way as 1‐D
 For an N x M grid in x and y we have

Inverse DFT
 Discrete Fourier Transform: 2‐D Case
 When image size is N x N, this makes a special 
case of f(x, y)
– Use N = M to get new formulation
 This makes the forward and inverse 
transforms look more symmetrical:

 Forward DFT
u,v = 0,1,2, …, N‐1
 Inverse DFT
x,y = 0,1,2, …, N‐1
 Discrete Fourier Transform: 2‐D Case
 The basis functions are sine and cosine waves 
with increasing frequencies

 F(0,0) represents the DC‐component of the 
image which corresponds to the average 
brightness

 F(N‐1,N‐1) represents the highest frequency
 Visualization of DFT
 The Fourier Transform produces a complex 
number valued output image which can be 
displayed with two images, 
– either with the real and imaginary part or 
– with magnitude and phase

 In image processing, often only the magnitude of 
the Fourier Transform is displayed, as it contains 
most of the information of the geometric 
structure of the spatial domain image. 
 Visualization of DFT
 So typically, we visualize |F(u,v)|
 Since dynamic range of |F(u,v)| is normally 
very large, so stretching is applied                           

(c is a constant)

Original image DFT before scaling DFT after scaling

 Visualization of DFT
 Requirement to retransform the image from 
Fourier domain spatial domain
– If we want to re‐transform the Fourier image 
correctly to spatial domain after some processing 
in the frequency domain, we must make sure to 
preserve both magnitude and phase of the Fourier 
image.
 The Fourier domain image has a much greater 
range than the image in the spatial domain
– Hence, to be sufficiently accurate, its values are 
usually calculated and stored in float values.
 Examples of 2D DFT

Shows 2 pixel wide vertical stripes Fourier transform
End