傅里叶变换pytorch使用

参考视频：1 傅里叶变换原理_哔哩哔哩_bilibili

傅里叶变换是干嘛的：

傅里叶得到低频、高频信息，针对低频、高频处理能够实现不同的目的。
傅里叶过程是可逆的，图像经过傅里叶变换、逆傅里叶变换后，能够恢复到原始图像
在频域对图像进行处理，在频域的处理会反映在逆变换图像上

原理

 

傅里叶支持值域和频域互推

振幅

相位：开始的时间

numpy实现傅里叶变换

numpy.fft.fft2 傅里叶变换

得到频谱

numpy.fft.fftshift 将零频率分量移动到频谱中心

 20*np.log(np.abs(fshift)) 设置频谱的范围

比如图像是0-255的范围，这样就可以约束频谱到可视的范围

numpy逆傅里叶变换

numpy.fft.ifft2 逆傅里叶变换

返回一个复数数组（complex ndarray）

numpy.fft.ifftshift 逆移动

np.abs（逆傅里叶变换结果）

通过数组获得可以图像显示的值

滤波 

概念

空域→频域→空域

低频对应图像内变化缓慢的灰度分量。例如，在一幅大草原的图像中，低频对应着广袤的颜色趋于一致的草原。
高频对应图像内变化越来越快的灰度分量，是由灰度的尖锐过渡造成的。例如，在一幅大草原的图像中，其中狮子的边缘等信息,

接受（通过）或拒绝一定频率的分量

通过低频的滤波器成为低通滤波器

通过高频的滤波器成为高通滤波器

作用：

修改傅里叶变换以达到特殊目的，然后计算IDFT返回到图像域。
特殊目的:图像增强、图像去噪、边缘检测、特征提取、压缩、加密等。

高频

思路：调整高低频率主要是设置图像中的选取的位置，然后把不需要的地方换成黑色（0）

低频

OpenCV实现傅里叶变换

cv2.dft(原始图像，转换标识)

返回结果：

双通道：1.结果的实数部分，2.结果的虚数部分

原始图像要先转换成np.float32

转换标识：cv2.DFT_COMPLEX_OUTPUT输出复数阵列

cv2.magnitude(参数1，参数2)计算幅值

参数1∶浮点型X坐标值，也就是实部
参数2:   浮点型Y坐标值，也就是虚部

cv2.idft(原始数据) 逆傅里叶变换

返回结果：取决于原始数据的类型和大小

原始数据：实数或者复数均可

numpy.fft.ifftshift

ffshift函数的逆函数

振幅和相位

这里用numpy和torch的形式分别提取振幅和相位

numpy

import cv2
import numpy as np
import matplotlib.pyplot as plt


filepath = r"D:\tempdataset\TTADataset\CHASE\test\images512\Image_01L.jpg"
# 读取图像
# image = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
image = cv2.imread(filepath)[:,:,::-1] #cv2默认是BGR通道顺序，这里调整到RGB
img = cv2.resize(image,(500,500))

fre = np.fft.fft2(img,axes=(0,1)) #变换得到的频域图数据是复数组成的
fre_m = np.abs(fre)   #幅度谱，求模得到
fre_p = np.angle(fre) #相位谱，求相角得到

# 把相位设为常数
constant = fre_m.mean()
fre_ = constant * np.e ** (1j * fre_p)  # 把幅度谱和相位谱再合并为复数形式的频域图数据
img_onlyphase = np.abs(np.fft.ifft2(fre_, axes=(0, 1)))  # 还原为空间域图像

# 把振幅设为常数
constant = fre_p.mean()
fre_ = fre_m * np.e ** (1j * constant)
img_onlymagnitude = np.abs(np.fft.ifft2(fre_, axes=(0, 1)))

# 绘制原始图像和振幅谱
plt.subplot(1, 3, 1), plt.imshow(img.astype('uint8'))
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 2), plt.imshow(img_onlyphase.astype('uint8'))
plt.title('phase Spectrum'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 3, 3), plt.imshow(img_onlymagnitude.astype('uint8'))
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

torch

import torch
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import torchvision.transforms as transforms



import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

import torch
import numpy as np
import cv2

# 读取图像
# 图像转tensor！
# 读取图像
image = Image.open(r"D:\tempdataset\TTADataset\CHASE\test\images512\Image_01L.jpg")  # 替换为你的图像文件路径
# 定义转换
transform = transforms.ToTensor()
# 将图像转换为张量
tensor = transform(image)


# 进行傅里叶变换
fre = torch.fft.fftn(tensor, dim=(-2, -1))  # 在图像的最后两个维度上执行傅里叶变换
fre_m = torch.abs(fre)   # 幅度谱，求模得到
fre_p = torch.angle(fre) # 相位谱，求相角得到

# 把相位设为常数
constant = torch.mean(fre_m)
fre_ = constant * torch.exp(1j * fre_p)  # 把幅度谱和相位谱再合并为复数形式的频域图数据
img_onlyphase = torch.abs(torch.fft.ifftn(fre_, dim=(-2, -1)))  # 还原为空间域图像

# 把振幅设为常数
constant = torch.mean(fre_p)
fre_ = fre_m * torch.exp(1j * constant)
img_onlymagnitude = torch.abs(torch.fft.ifftn(fre_, dim=(-2, -1)))


# tensor转图像！
# 定义转换
transform = transforms.ToPILImage()
# 将张量转换为图像
image2 = transform(fre_p)
# 显示图像
plt.imshow(image2)
plt.axis('off')  # 不显示坐标轴
plt.show()