OpenCV C++频率域滤波 高斯低通

VIP文章 已于 2024-01-29 23:23:53 修改
阅读量4.2k 收藏 28
点赞数 4
分类专栏： OpenCV C++ 数字图像处理 文章标签： opencv c++ 人工智能
于 2019-02-25 16:30:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cyf15238622067/article/details/87918125
版权

l  频率域滤波的基本步骤

思想：通过滤波器函数以某种方式来修改图像 变换，然后通过取结果的反变换来获得处理后 的输出图像

低通滤波器：

              使低频通过而使高频衰减的滤波 器

              被低通滤波的图像比原始图像少尖锐的细节部分而 突出平滑过渡部分

              对比空间域滤波的平滑处理，如均值滤波器

高通滤波器：

             使高频通过而使低频衰减的滤波 器

            被高通滤波的图像比原始图像少灰度级的平滑过渡 而突出边缘等细节部分

            对比空间域的梯度算子、拉普拉斯算子

从滤波器处理效果的尖锐程度，可以将他们分为三种类型：理想滤波器、巴特沃斯滤波器、高斯滤波器。他们的尖锐程度也是依次递减。 
再从滤波的通过范围看，这三种滤波器都有低通、高通、带通、带阻四个版本。 
下面将他们的的公式贴出来，就一目了然啦。

理想低通滤波器： 

最低0.47元/天 解锁文章
Dwyane05
关注
  • 4
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
使用opencv进行频率域滤波
06-16
使用opencv进行频率域滤波的实战，包括高通，低通，高斯，巴特沃斯等。
OpenCV C++实现频域滤波器汇总 理想低通、理想高通、巴特沃思低通、巴特沃思高通、高斯低通、高斯高通
cyf15238622067的博客
02-26 6164
根据各个滤波公式及前几章内容，可实现理想低通、理想高通、巴特沃思低通、巴特沃思高通、高斯低通、高斯高通滤波器； 效果图： 高斯低通 D0=30 巴特沃思低通 D0=30,n=2 理想低通D0=30： 高斯高通D0=80： 巴特沃思高通 D0=80,n=2 理想高通D0=80： 代码实现： #include<opencv2/opencv.hpp>...
【图像滤波】理想滤波器、巴特沃斯滤波器、高斯滤波器实现（包含低通与高通，代码实现与分析）
wyr1849089774的博客
02-26 2165
本篇博客聚焦理想滤波器、巴特沃斯滤波器、高斯滤波器进行原理剖析、代码实现和结果总结，代码含有详细注释，希望帮助大家理解。以下将从理想低通滤波器理想高通滤波器巴特沃斯低通滤波器巴特沃斯高通滤波器高斯低通滤波器高斯高通滤波器六个块题进行阐述，每一块题将分为实验原理实验代码展示实验结果分析三部分进行讲解。
OpenCV 频率域实现钝化模板、高提升滤波和高频强调滤波 C++
cyf15238622067的博客
03-13 4030
为什么要进行高频提升和高频加强？ 高频滤波后的图像，其背景平均强度 减小到接近黑色（因为高通滤波器滤除 了傅里叶变换的零频率成分: F(0,0)=f(x,y)=0） 解决办法：把原始图像加到过滤后的 结果，如拉普拉斯算子增强，这种处理 称为高频提升过滤 钝化模板(锐化或高通图像)：从一幅图像减去 其自身模糊图像而生成的锐化图像构成。在频率 域，即从图像本身减去低通滤波（模糊）后的图 像...
使用C++设计滤波器(低通滤波器，高通滤波器，带通滤波器)
Q_Linfeng的博客
02-20 8562
使用C++设计滤波器(低通滤波器，带通滤波器)，包含普通滤波器，FIR滤波器和IIR滤波器的实现
c++ opencv数字图像处理：频率域滤波--低通滤波--理想低通滤波
刘燚的博客
11-29 4600
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 数字图像处理c++ opencv（VS2019 opencv4.53）持续更新 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sn.
基于opencv的c++图像处理（图像滤波）
qq_40118285的博客
09-21 2711
基于opencv的c++接口，实现常用的图像滤波方法，包括了均值滤波、中值滤波、高斯滤波、双边滤波、高通滤波以及低通滤波。
c++ opencv数字图像处理：频率域滤波--同态滤波
刘燚的博客
12-01 3983
文章目录前言一、同态滤波原理1.处理原理二、同态滤波器模板及MATLAB代码1.同态滤波器2.代码 前言 数字图像处理c++ opencv（VS2019 opencv4.53）持续更新 一、同态滤波原理 1.处理原理 （1）认为图像f(x,y)由两部分组成：照射分量i(x,y)，反射分量r(x,y): f(x,y)=i(x,y)∗r(x,y)f(x,y)=i(x,y)*r(x,y)f(x,y)=i(x,y)∗r(x,y) （2）但上式不能直接用于对两个分量在频率域进行处理，因为乘积的傅里叶变换不等于变.
图像频域处理之高斯滤波器
大瓜子的博客
04-08 5739
在前两篇文章中，我们实现了图像的离散傅里叶变换与反变换，而这正是对图像频率域进行处理的前提。接下来这篇文章打算在已有工作的基础上实现高斯滤波器，对图像进行简单的频率滤波。 一、频率域滤波基础 在上一篇关于FFT的文章中已经介绍到，相比于核数较大的空间域滤波来说，频率域滤波有着明显的优势。此外，频率域还有一些其他特性，如远离变换的原点时，低频对应于图像中变化缓慢的灰度分量；而更加远离原点时，较高的频率开始对应于图像中越来越快的灰度变化，它们是图像中由灰度急剧变化表征的物体边缘或其他分量。正是这些特性，能够
OpenCV：条纹图像频谱分离
weixin_43865692的博客
08-12 1689
条纹函数及条纹傅里叶变换 在生成条纹图像时，用到余弦函数为：m+m*cos(2*π*f) 而其傅里叶变换为： 具体条纹图像生成代码参考：https://blog.csdn.net/weixin_43865692/article/details/119141967 从傅里叶变换的函数可以看出其条纹频谱有三个频率，分别为中心点以及关于中心对称的两点。 条纹图像频谱分离原理 在此选用三个等式求得三个频率。选取三个不同相移的余弦函数，相移分别为0，2*π/3，4*π/3。再得到对应的傅里叶变换的函数
图像低频高频区域分离
羽凌寒
02-24 1万+
简介 　　本篇整理记录利用小波分离图像的高频、低频部分信息。 具体实现 　　实现代码参考资料：小波变换 C++ opencv 实现。 小波变换 　　小波生成和参考资料中一致。小波变换中，首先抽取出原图像的每一行，进行小波分解，获得水平方向的高、低频信息。 接着抽取出原图像的每一列，进行小波分解，获得垂直方向的高、低频信息。 　　生成的对应结果如下：
机器视觉-opencv-频率域滤波
最新发布
03-05
机器视觉-opencv-频率域滤波
opencv 写的频率域滤波（高斯，理想，巴特沃斯）
07-28
opencv 写的频率域滤波包含高斯，理想，巴特沃斯低通滤波，
OpenCV写的频率域低通滤波器
11-20
OpenCV写的频率率低通滤波器。
python+opencv实现高斯平滑滤波
09-19
主要为大家详细介绍了python+opencv实现高斯平滑滤波，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
OpenCV图像锐化（Laplace算子）
热门推荐
cyf15238622067的博客
02-21 3万+
前面介绍的几种滤波器都属于平滑滤波器（低通滤波器），用来平滑图像和抑制噪声的；而锐化空间滤波器恰恰相反，主要用来增强图像的突变信息，图像的细节和边缘信息。 平滑滤波器主要是使用邻域的均值（或者中值、积分）来代替模板中心的像素，消弱和邻域间的差别，以达到平滑图像和抑制噪声的目的；模糊图像，称为低通滤波器 锐化滤波器则使用邻域的微分作为算子，增大邻域间像素的差值，使图像的突变部分变的更加明显。锐化...
OpenCV 对比度受限的自适应直方图均衡化(CLAHE) C++实现
cyf15238622067的博客
04-11 1万+
直方图均衡化（HE）是一种很常用的直方图类方法，基本思想是通过图像的灰度分布直方图确定一条映射曲线，用来对图像进行灰度变换，以达到提高图像对比度的目的。该映射曲线其实就是图像的累计分布直方图（CDF）（严格来说是呈正比例关系）。然而HE是对图像全局进行调整的方法，不能有效地提高局部对比度，而且某些场合效果会非常差。 对比度受限的自适应直方图均衡（CLAHE，Contrast Limited Ada...
OpenCV3 VideoCapture出错Connection to tcp://192.168.15.11:554?timeout=0 failed: No route
cyf15238622067的博客
09-03 9750
[tcp @ 0x2261180] Connection to tcp://192.168.15.11:554?timeout=0 failed: No route to host (joinus_test:7689): GStreamer-CRITICAL **: Trying to dispose element appsink0, but it is in READY instead of...
空间域滤波与频率域滤波比较
cyf15238622067的博客
02-25 9606
这里我们只比较算法的时间复杂度。为什么使用空间滤波模板，而不是用频域滤波。下图给出频域计算过程和算法计算量： 最后得出的计算量是除去赋值操作，结果： $(4+8log2N)N^2而空间卷积（相关）如果不加优化，使用最普通的算法，时间复杂度是N^2M^2（其中M是窗宽），所以当M^2<(4+8log2N)$ 时，频域滤波速度没有优势，更主要的一点是扩展图像以后引入的高频干扰，观察下图 ...
opencv dft频率域滤波
09-06
DFT（Discrete Fourier Transform）是一种频率域滤波技术，可以在图像处理中用于去除噪声、增强图像等。在 OpenCV 中，你可以使用 `dft` 函数来进行 DFT 变换。 首先，你需要将图像转换为灰度图像，因为 DFT 只能处理单通道的图像。然后，使用 `dft` 函数将图像转换为频率域表示。 以下是一个基本的示例代码，演示如何使用 DFT 进行频率域滤波： ```python import cv2 import numpy as np # 读取图像并转换为灰度图像 image = cv2.imread('image.jpg', 0) # 将图像进行 DFT 变换 dft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT) ft_shift = np.fft.fftshift(dft) # 构建频率域滤波器（例如，高通滤波器） rows, cols = image.shape crow, ccol = int(rows/2), int(cols/2) mask = np.ones((rows, cols, 2), np.uint8) mask[crow-30:crow+30, ccol-30:ccol+30] = 0 # 应用频率域滤波器 fshift = dft_shift * mask # 进行逆 DFT 变换，得到滤波后的图像 f_ishift = np.fft.ifftshift(fshift) filtered_image = cv2.idft(f_ishift) filtered_image = cv2.magnitude(filtered_image[:, :, 0], filtered_image[:, :, 1]) # 显示原始图像和滤波后的图像 cv2.imshow('Original Image', image) cv2.imshow('Filtered Image', filtered_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个示例中，我们首先加载图像，并将其转换为灰度图像。然后，使用 `cv2.dft` 函数对图像进行 DFT 变换。接下来，我们构建一个频率域滤波器（例如高通滤波器），并将其应用到 DFT 变换后的图像上。最后，我们使用 `cv2.idft` 函数进行逆 DFT 变换，并显示滤波后的图像。 你可以根据需求修改滤波器的类型和参数。希望这个示例能帮助到你！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Dwyane05

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值