python opencv 图像转换

图像领域，图像里的振幅变化，在边缘，或者噪点变化最大。所以我们可以说，边缘和噪点是图像里的高频内容。如果在振幅上没特别大变化，就是低频内容

Numpy 里的傅里叶变换

Numpy有一个FFT包来做这个。np.fft.fft2()让我们做频率变换。第一个参数是输入图像，是灰度的，第二个参数是可选的，决定输出数组的大小。如果比输入图像大的话，输入图像会补全0然后再做转换。如果比输入图像小，输入图像会被裁切，如果不传，输出图像大小和输入一样

当你得到了结果，0频率内容会在左上角，如果你想拿到中间来，你需要N/2在两个方向上来移动结果。这个是用函数np.fft.fftshift().当你找到了频率转换，你可以找到振幅谱线。

import cv2
import numpy as np
from matplotlib import pyplot as plt
%matplotlib inline
img = cv2.imread('touxiang.jpg',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

你可以看到白色区域在中心，表示低频内容更多。

现在你达到了频率转换，就可以在频率范围内做更多运算了，比如高通过滤和重建图像，比如反向离散傅里叶变换。你只需要通过一个60x60的矩形窗口去掉低频内容，然后用np.fft.ifftshift()做反向变换，0频率内容又在左上角了。然后做反向快速傅里叶变换 np.ifft2()。结果是复数。

rows, cols = img.shape
crow,ccol = rows//2 , cols//2
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.