傅里叶变换
在频域中一切都是静止的。
傅里叶分析之掐死教程
傅里叶变换的作用
滤波
频域变换结果
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('girl.png',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
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
低通和高通滤波
低通滤波
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('girl.png',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape #算出图像shape值大小
crow,ccol = int(rows/2),int(cols/2) #算出中心位置------->转换为int型
#低通滤波
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 1 #左边30右边30上边30下边30,只有中心区域是1
#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap = 'gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()
高通滤波
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('girl.png',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape #算出图像shape值大小
crow,ccol = int(rows/2),int(cols/2) #算出中心位置------->转换为int型
#高通滤波
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 0 #左边30右边30上边30下边30,只有中心区域是0
#IDFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap = 'gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()
当我们对图像进行处理中,如果需要更简单,更高效时,我们把图像进行频率的处理,比在原图像处理的更高效。