OpenCV-傅里叶概述、傅里叶变换、滤波、频域转换、低筒滤波、高通滤波

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。