频域滤波——使用填充与不使用填充的对比

以下是不是用填充，应用理想低通滤波器，1-5张图在截止频率分别为：10、30、60、160、460，第6个图像是原始图片

import numpy as np
import matplotlib.pyplot as plt
import cv2
#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,图像填充
#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/Fig0441(a)(characters_test_pattern).tif",flags=0)
#img=cv2.imread("./images/CH04/Fig0222(a)(face).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)
#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=[10,30,60,160,460] #三种截止频率
plt.figure(figsize=(9, 6))
for i in range(5):
    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])
    #归一化处理
    imgRebuildNorm=cv2.normalize(imgRebuild,None,0,255,cv2.NORM_MINMAX)
    #显示经过频域滤波后的重建图像
    plt.subplot(2,3,i+1),plt.title("imgRebuild(d={})".format(d[i])),plt.imshow(imgRebuildNorm,cmap="gray")
plt.subplot(2,3,6),plt.title("imgOrigin"),plt.imshow(img,cmap="gray") 
plt.tight_layout()
plt.show()

不使用填充利用理想低通滤波器滤波的效果图如下：
以下图片在截止频率较小时可以看出有振铃现象，另外在随着截止频率增大，滤波后图片整体都跟着变暗了，且当截止频率为460时，整个图片都变成黑色了。

使用零填充后在滤波的代码及运行效果如下：

import numpy as np
import matplotlib.pyplot as plt
import cv2
#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,图像填充
#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
##################################实现过程###############################
#1、读取图像，获取图像尺寸，对图像填充，获取图像中心位置，
img=cv2.imread("./images/CH04/Fig0441(a)(characters_test_pattern).tif",flags=0)
#img=cv2.imread("./images/CH04/Fig0222(a)(face).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；
P,Q=height*2,width*2
CP,CQ=int(P/2),int(Q/2)
#np.pad()为图像填充方法，((0,height),(0,width))代表在原始图像的上方不填充，下方填充heigh个,左侧不填充，右侧填充width个，填充模式constant代表连续填充相同的值
#若指定填充值则：constant_value=(1,0)代表前面用1填充，后面用0填充，不指定就是默认填充为0，其他常用填充方式有镜像填充：reflect
imgPad=np.pad(img,((0,height),(0,width)),"reflect") 
#2、对有填充的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
dftPad=cv2.dft(np.float32(imgPad),flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shiftP=np.fft.fftshift(dftPad)
#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=[10,30,60,160,460] #三种截止频率
plt.figure(figsize=(9, 6))
## #有填充的滤波
for i in range(5):
    maskP=np.zeros((P,Q,2),np.uint8)
    maskP[CP-d[i]:CP+d[i],CQ-d[i]:CQ+d[i]:]=1
#4、用dft_shift与mask乘积得到dft_shift_mask
    dft_shift_maskP=dft_shiftP*maskP #有填充的
#5、将dft_shift_mask的低频再逆转回图像四角dft_mask
    dft_maskP=np.fft.ifftshift(dft_shift_maskP) #有填充的
#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_maskP=cv2.idft(dft_maskP)
#7、求模重建图像
    #填充后的
    imgRebuildP=cv2.magnitude(idft_maskP[:,:,0],idft_maskP[:,:,1])
    imgRebuildNormP=cv2.normalize(imgRebuildP,None,0,255,cv2.NORM_MINMAX)
    imgRebuild=imgRebuildNormP[0:height,0:width]
    #显示经过频域滤波后的重建图像
    plt.subplot(2,3,i+1),plt.title("imgRebuild(d={})".format(d[i])),plt.imshow(imgRebuild,cmap="gray")
plt.subplot(2,3,6),plt.title("imgOrigin"),plt.imshow(img,cmap="gray") 
plt.tight_layout()
plt.show()