频域滤波——频率域滤波的基本思路及算法实现

频域滤波的基本思路：

1、读取图像，获取图像尺寸，得到图像中心位置
2、对图像进行傅里叶变换，低频中心化——>dft_shift
3、构造频域滤波器mask，
4、用dft_shift与mask乘积得到dft_shift_mask
5、将dft_shift_mask的低频再逆转回图像四角dft_mask
6、对dft_mask进行傅里叶逆变换，逆变换后得到的是两个通道的值
7、求模重建图像
实现代码如下：

import numpy as np
import matplotlib.pyplot as plt
import cv2
##################################实现过程###############################
#1、读取图像，获取图像尺寸，及图像中心位置。
img=cv2.imread("./images/CH04/woman.tif",flags=0)
#img=cv2.imread("./images/CH04/rectangle.tif",flags=0)
#img.shape[0]：图像的垂直尺寸（高度）img.shape[1]：图像的水平尺寸（宽度） img.shape[2]：图像的通道数
height,width=img.shape[:2]#获取图片的高、宽；img.shape[:3]获取图片的高、宽、通道；
centerY,centerX=int(height/2),int(width/2) #获取图片中心
#2、对图像进行傅里叶变换，及低频中心化 
# 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)
dft_shift=np.fft.fftshift(dft)
#也可以使用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
#3、构造频域滤波器mask，以一个基本的理想低通滤波器为例：经过上述低频中心化，低通滤波器就是让中心位置的低频信息保留，高频阻断
d=[20,40,80] #三种截止频率
plt.figure(figsize=(9, 6))
for i in range(3):
    #我们要用这个mask在频率域滤波，每个元素将对图像频率域的height行和width列对应元素进行过滤，那为什么mask中每个元素还是一维二元数组呢？
    #在时域中，灰度图片的每行每列中的元素就是一个数字，是对应该点的灰度值，但是对应到频域后，每行每列的频域元素仍与时域图像每行每列元素有对应，
    # 但是频域中每个元素用实部和虚部来表示，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。
    # 所以mask中每个元素有两个值，也即构造频率域滤波器时维度是：height*width*2。
    mask=np.zeros((height,width,2),np.uint8)
    mask[centerY-d[i]:centerY+d[i],centerX-d[i]:centerX+d[i]:]=1
#4、用dft_shift与mask乘积得到dft_shift_mask
    dft_shift_mask=dft_shift*mask
#5、将dft_shift_mask的低频再逆转回图像四角dft_mask
    dft_mask=np.fft.ifftshift(dft_shift_mask)
#6、对dft_mask进行傅里叶逆变换，逆变换后得到的是两个通道的值
    idft_mask=cv2.idft(dft_mask)
#7、求模重建图像
    imgRebuild=cv2.magnitude(idft_mask[:,:,0],idft_mask[:,:,1])
    #显示经过频域滤波后的重建图像
    plt.subplot(1,3,i+1),plt.title("imgRebuild(d={})".format(d[i])),plt.imshow(imgRebuild,cmap="gray")
plt.tight_layout()
plt.show()

运行效果如下：