使用三种sigma取值的高斯低通滤波器实现平滑图像
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
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;
#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,以高斯低通滤波器为例: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
sigma2=[0.5,0.09,0.01] #三种sigma取值
plt.figure(figsize=(9, 6))
for i in range(3):
#构造二维高斯低通滤波器
x,y=np.mgrid[-1:1:2.0/height,-1:1:2.0/width]
z=1/(2*np.pi*sigma2[i])*np.exp(-(x**2+y**2)/(2*sigma2[i]))
zNorm= np.uint8(cv2.normalize(z, None, 0, 255, cv2.NORM_MINMAX))# 归一化处理
maskGauss=np.zeros((height,width,2),np.uint8)
maskGauss[:,:,0]=zNorm
maskGauss[:,:,1]=zNorm
print(maskGauss.shape, maskGauss.max(), maskGauss.min())
#4、用dft_shift与mask乘积得到dft_shift_mask
dft_shift_mask=dft_shift*maskGauss
#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(sigma2={})".format(sigma2[i])),plt.imshow(imgRebuildNorm,cmap="gray")
plt.subplot(2,3,4),plt.title("imgOrigin"),plt.imshow(img,cmap="gray")
plt.tight_layout()
plt.show()
运行效果如下: