提示:内容整理自:https://github.com/gzr2017/ImageProcessing100Wen
CV小白从0开始学数字图像处理
32 傅立叶变换(Fourier Transform)
使用离散二维傅立叶变换(Discrete Fourier Transformation),将灰度化的imori.jpg
表示为频谱图。然后用二维离散傅立叶逆变换将图像复原。
二维离散傅立叶变换是傅立叶变换在图像处理上的应用方法。通常傅立叶变换用于分离模拟信号或音频等连续一维信号的频率。但是,数字图像使用[0,255]范围内的离散值表示,并且图像使用HxW的二维矩阵表示,所以在这里使用二维离散傅立叶变换。
二维离散傅立叶变换使用下式计算,其中I表示输入图像:
K = 0:W, l = 0:H, 输入画像
G(k,l) = Sum_{y=0:H-1, x=0:W-1} I(x,y) exp( -2pi * j * (kx/W + ly/H)) / sqrt(H * W)
在这里让图像灰度化后,再进行离散二维傅立叶变换。
频谱图为了能表示复数G,所以图上所画长度为G的绝对值。这回的图像表示时,请将频谱图缩放至[0,255]范围。
二维离散傅立叶逆变换从频率分量G按照下式复原图像:
x = 0:W, y = 0:H
I(x,y) = Sum_{l=0:H-1, k=0:W-1} G(k,l) exp( 2pi * j * (kx/W + ly/H)) / sqrt(H * W)
代码如下:
1.引入库
CV2计算机视觉库
import cv2
import numpy as np
import matplotlib.pyplot as plt
2.读入数据
img = cv2.imread("imori.jpg").astype(np.float32)
H, W, C = img.shape
3.灰度化
gray = 0.2126 * img[..., 2] + 0.7152 * img[..., 1] + 0.0722 * img[..., 0]
4.DFT
K = W
L = H
M = W
N = H
G = np.zeros((L, K), dtype=np.complex)
x = np.tile(np.arange(W), (H, 1))
y = np.arange(H).repeat(W).reshape(H, -1)
for l in range(L):
for k in range(K):
G[l, k] = np.sum(gray * np.exp(-2j * np.pi * (x * k / M + y * l / N))) / np.sqrt(M * N)
#for n in range(N):
# for m in range(M):
# v += gray[n, m] * np.exp(-2j * np.pi * (m * k / M + n * l / N))
#G[l, k] = v / np.sqrt(M * N)
ps = (np.abs(G) / np.abs(G).max() * 255).astype(np.uint8)
cv2.imwrite("out_ps.jpg", ps)
5.IDFT
out = np.zeros((H, W), dtype=np.float32)
for n in range(N):
for m in range(M):
out[n,m] = np.abs(np.sum(G * np.exp(2j * np.pi * (x * m / M + y * n / N)))) / np.sqrt(M * N)
out[out>255] = 255
out = out.astype(np.uint8)
6.保存结果
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)