频域滤波——opencv实现图像的傅里叶变换

cv2.dft()函数：进行二维图像的傅里叶变换

opencv提供了 返回结果=cv2.dft(原始图像，转换标识),

• 上述参数“原始图像”，要首先使用np.float32()函数将图像转换成np.float32格式，
• “转换标识”的值通常为“cv2.DFT_COMPLEX_OUTPUT”，用来输出一个复数阵列
  函数cv2.dft()返回的结果与使用Numpy进行傅里叶变换得到的结果是一致的，但是cv2.dft()返回的值是双通道的，第1个通道是结果的实数部分，第2个通道是结果的虚数部分。np.fft.fft2()返回值是一个复数数组；两种变换都需要经过处理可以得到图像的频谱；
  如下代码：

import numpy as np
import matplotlib.pyplot as plt
import cv2
#傅里叶逆变换：
#1、读取图像
#img=cv2.imread("./images/CH04/woman.tif",flags=0)
img=cv2.imread("./images/CH04/rectangle.tif",flags=0)
#2、使用cv2.dft(原始图像，转换标识)对图像进行傅里叶变换时，需将图像转换成np.float32格式
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT) #返回的值是双通道的
print("dft",dft) 
#3、应用numpy的方法对图像进行离散傅里叶变换
img_fft=np.fft.fft2(img) #返回一个复数数组
print("numpy_fft",img_fft) 

打印后的效果如下：

cv2.magnitude(arg1,arg2) 求傅里叶变换的频谱幅度

计算频谱幅度：返回值=cv2.magnitude(参数1，参数2) 参数1是dft中双通道的第一个值，参数2是dft中双通道的第二个值，
ampDftShift=cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1])

import numpy as np
import matplotlib.pyplot as plt
import cv2
## 二维图像的离散傅里叶变换，opencv实现
#opencv提供了 返回结果=cv2.dft(原始图像，转换标识),
# 上述参数“原始图像”，要首先使用np.float32()函数将图像转换成np.float32格式，
# “转换标识”的值通常为“cv2.DFT_COMPLEX_OUTPUT”，用来输出一个复数阵列
#函数cv2.dft()返回的结果与使用Numpy进行傅里叶变换得到的结果是一致的，
# 但是它返回的值是双通道的，第1个通道是结果的实数部分，第2个通道是结果的虚数部分。
#fft=np.fft.fft2()返回值是一个复数数组；
#傅里叶变换得到的是复数数组，
#1、读取图像
#img=cv2.imread("./images/CH04/woman.tif",flags=0)
img=cv2.imread("./images/CH04/rectangle.tif",flags=0)
#2、使用cv2.dft(原始图像，转换标识)进行傅里叶变换，需将图像转换成np.float32格式
dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
#print("dft",dft)
#使用numpy对图像进行离散傅里叶变换
#img_fft=np.fft.fft2(img)  #返回一个复数数组
#print("numpy_fft",img_fft)
#3、低频中心化 
dft_shift=np.fft.fftshift(dft)
#4、计算频谱幅度：返回值=cv2.magnitude(参数1，参数2) 参数1是dft中双通道的第一个值，参数2是dft中双通道的第二个值，
ampDftShift=cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1])
#print("ampDftShift",ampDftShift)
#幅度谱对数变换易于观察其频谱信息
ampDftShiftLog=np.log(1+ampDftShift)
#5、计算傅里叶变换的相位
phase=np.arctan2(dft_shift[:,:,1],dft_shift[:,:,0])
dftPhi = phase / np.pi*180  # 将相位角转换为 [-180, 180]
#傅里叶逆变换:cv2.idft()实现傅里叶逆变换
#先将低频转换回四角区域
invShift=np.fft.ifftshift(dft_shift)
img_idft=cv2.idft(invShift)
#实现图像的重建
imgRebuild = cv2.magnitude(img_idft[:,:,0], img_idft[:,:,1])
plt.figure(figsize=(9, 6))
#显示原图
plt.subplot(231), plt.title("origin"), plt.imshow(img)
# 显示低频中心话后的频谱图
plt.subplot(232),plt.title("ampDftShift"),plt.imshow(ampDftShift,cmap="gray")
# 显示fft后的频谱在经过对数变换后的图
plt.subplot(233),plt.title("ampDftShiftLog"),plt.imshow(ampDftShiftLog,cmap="gray")
# #显示傅里叶逆变换的
plt.subplot(234),plt.title("imgRebuild"),plt.imshow(imgRebuild,cmap="gray")
plt.tight_layout()
plt.show()

在上代码中 cv2.magnitude()求得的频谱，没有专门再使用归一化方法对频谱图映射到（0,255），只是对频谱进行了对数增强变换。
运行效果图：