python实现图像的理想滤波器、butterworth滤波器、指数滤波器

1.傅里叶变换

图像的频率滤波是基于傅里叶变换的，通过二维傅里叶变换把图像从空域转换到频域，对频域的图像的频率进行操作，比如限制某个频率范围的像素通过。

（1）傅里叶变换

其中离散傅里叶变换为：

 

（2）傅里叶逆变换

其中离散傅里叶逆变换为：

 

        （3）傅里叶变换性质

 上述傅里叶变换均为一维傅里叶变换，然而图像中为二维的傅里叶变换，因此我们可以分别在行方向和列方向分别做傅里叶变换，

：

 2.频域滤波

频域滤波的基本流程如下

 傅里叶变换一般要中心化，根据二维傅里叶的平移性质：

 我们只需要对变换后的图像像素乘以就可以进行中心化和去中心化：

3.常用滤波器

  （1）理想滤波器

理想低通滤波器：

 

---

理想高通滤波器

 

 

 （2）butterwoth滤波器

butterwoth低通滤波器：

 

---

butterwoth高通滤波器：

（3）指数滤波器

指数低通滤波 ：

 

---

指数高通滤波： 

 

4.python实现

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

def filter(img, D0, W=None, N=2, type='lp', filter='butterworth'):
    '''
    频域滤波器
    Args:
        img: 灰度图片
        D0: 截止频率
        W: 带宽
        N: butterworth和指数滤波器的阶数
        type: lp, hp, bp, bs即低通、高通、带通、带阻
        filter:butterworth、ideal、exponential即巴特沃斯、理想、指数滤波器

    Returns:
        imgback：滤波后的图像

    '''

    #离散傅里叶变换
    dft=cv.dft(np.float32(img),flags=cv.DFT_COMPLEX_OUTPUT)
    #中心化
    dtf_shift=np.fft.fftshift(dft) 

    rows,cols=img.shape 
    crow,ccol=int(rows/2),int(cols/2) #计算频谱中心
    mask=np.ones((rows,cols,2)) #生成rows行cols列的2纬矩阵
    for i in range(rows):
        for j in range(cols):
            D = np.sqrt((i-crow)**2+(j-ccol)**2)
            if(filter.lower() == 'butterworth'):
                if(type == 'lp'):
                    mask[i, j] = 1/(1+(D/D0)**(2*N))
                elif(type == 'hp'):
                    mask[i, j] = 1/(1+(D0/D)**(2*N))
                elif(type == 'bs'):
                    mask[i, j] = 1/(1+(D*W/(D**2-D0**2))**(2*N))
                elif(type == 'bp'):
                    mask[i, j] = 1/(1+((D**2-D0**2)/D*W)**(2*N))
                else:
                    assert('type error')
            elif(filter.lower() == 'ideal'): #理想滤波器
                if(type == 'lp'):
                    if(D > D0):
                        mask[i, j] = 0
                elif(type == 'hp'):
                    if(D < D0):
                        mask[i, j] = 0
                elif(type == 'bs'):
                    if(D > D0 and D < D0+W):
                        mask[i, j] = 0
                elif(type == 'bp'):
                    if(D < D0 and D > D0+W):
                        mask[i, j] = 0
                else:
                    assert('type error')
            elif(filter.lower() == 'exponential'): #指数滤波器
                if(type == 'lp'):
                    mask[i, j] = np.exp(-(D/D0)**(2*N))
                elif(type == 'hp'):
                    mask[i, j] = np.exp(-(D0/D)**(2*N))
                elif(type == 'bs'):
                    mask[i, j] = np.exp(-(D*W/(D**2 - D0**2))**(2*N))
                elif(type == 'bp'):
                    mask[i, j] = np.exp(-((D**2 - D0**2)/D*W)**(2*N))
                else:
                    assert('type error')
            
    fshift = dtf_shift*mask

    f_ishift=np.fft.ifftshift(fshift) 
    img_back=cv.idft(f_ishift) 
    img_back=cv.magnitude(img_back[:,:,0],img_back[:,:,1]) #计算像素梯度的绝对值
    img_back=np.abs(img_back)
    img_back=(img_back-np.amin(img_back))/(np.amax(img_back)-np.amin(img_back))

    return img_back

img=cv.imread('lena.jpg',0)
plt.subplot(121),plt.imshow(img,cmap='gray'),plt.title('origin image')
img_back = filter(img, 30, type='hp')
plt.subplot(122),plt.imshow(img_back,cmap='gray'),plt.title('after butterworth highpass filter image')
plt.show()