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()