频域滤波——快速傅里叶变换

快速傅里叶变换

1、快速傅里叶变换的算法复杂度

对于MN的二维图像来说，对其进行离散傅里叶变换时需要的运算是MNMN次乘法和加法，但是运用快速傅里叶变换的计算量是MN*logMN次乘法和加法。
对比log10000=4,10的4次方是10000，感受对数级衰减和指数级增长的明显差异。黑线是指数，绿线是对数。

2、快速傅里叶变换的实现思路

要想使用快速傅里叶变换需要对原图像进行扩充到适于进行DFT的最优尺寸，cv.getOptimalDFTSize() 函数可以实现图像的最优 DFT 尺寸扩充，适用于 cv.dft() 和 np.fft.fft2()。

retval=cv.getOptimalDFTSize(versize)
dft=cv.dft(src[, dst[, flags[, nonzeroRows]]])
idft=cv.idft(src[, dst[, flags[, nonzeroRows]]]) 
##最常用的形式是
cv.dft(src，flgs=cv.DFT_COMPLEX_OUTPUT)

参数说明：

src：输入图像，单通道灰度图像，使用 np.float32 格式
dst：输出图像，图像大小与 src 相同，数据类型由 flag 决定
flag：转换标识符
cv.DFT_INVERSE：用一维或二维逆变换取代默认的正向变换
cv.DFT_SCALE：缩放比例标识，根据元素数量求出缩放结果，常与DFT_INVERSE搭配使用
cv.DFT_ROWS: 对输入矩阵的每行进行正向或反向的傅里叶变换，常用于三维或高维变换等复杂操作
cv.DFT_COMPLEX_OUTPUT：对一维或二维实数数组进行正向变换，默认方法，结果是由 2个通道表示的复数阵列，第一通道是实数部分，第二通道是虚数部分
cv.DFT_REAL_OUTPUT：对一维或二维复数数组进行逆变换，结果通常是一个尺寸相同的复数矩阵

如下用快速傅里叶变换实现的代码：

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；但是fft=np.fft.fft2()返回值是一个复数数组；
#1、读取图像，获取图像的高、宽
img=cv2.imread("./images/CH04/woman.tif",flags=0)
#img=cv2.imread("./images/CH04/rectangle.tif",flags=0)
height,width=img.shape[:2] #获取图片的高和宽
#2、快速傅里叶变换：
#（1）获取最优DFT扩充尺寸
rPad=cv2.getOptimalDFTSize(height) #如果选取的图片尺寸是符合2**n，则最优扩充尺寸和原图像尺寸一致
cPad=cv2.getOptimalDFTSize(width) 
#（2）准备一个扩充好的全零矩阵尺寸是:rPad*cPad*2，其中每行每列中的每个元素是两个通道的（即每个元素是个二元数组）
imgPad=np.zeros((rPad,cPad,2),np.float32) 
#（3）相当于对扩充后的全零矩阵进行左上角图像填充，只对第一个通道填充是因为图像时灰度图像，只有一个通道有值
imgPad[0:height,0:width,0]=img  #边缘扩充，下侧右侧补零
#（4）进行快速傅里叶变换，实际就是对上述填充好的图像进行傅里叶变换
#注意：使用cv2.dft(原始图像，转换标识)对填充后的矩阵进行傅里叶变换，需将图像转换成np.float32格式
fdft=cv2.dft(np.float32(imgPad),flags=cv2.DFT_COMPLEX_OUTPUT)
print("img",img.shape[:2]) #原图像是512 
print("imgPad",imgPad.shape[:2]) #扩充后的尺寸还是512 
#3、傅里叶逆变换 
idft=cv2.idft(fdft) #返回的是一个rPad*cPad*2，是二通道元素
#计算idft中每个元素的模值，重建图像
idftMag=cv2.magnitude(idft[:,:,0],idft[:,:,1])
#归一化处理:将所有元素范围归到0-1之间
#normalize=lambda x:(x-x.min())/(x.max()-x.min()+1e-6)  #再让x*255 
#opencv提供了归一化函数：array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX)
idftMagNorm=cv2.normalize(idftMag,None,0,255,cv2.NORM_MINMAX)
#print(idftMag)
plt.figure(figsize=(9, 6))
#显示原图
plt.subplot(131), plt.title("origin"), plt.imshow(img)
# #显示傅里叶逆变换的
plt.subplot(132),plt.title("idftMag"),plt.imshow(idftMag,cmap="gray")
#显示逆变换后像素归一化的图像
plt.subplot(133),plt.title("idftMagNorm"),plt.imshow(idftMagNorm,cmap="gray")
plt.tight_layout()
plt.show()

运行效果如下：归一化与没有归一化好像也没有特别大的差别