Opencv第十五章 进阶篇之傅里叶变换

傅里叶变换与前面的一系列操作与之前的操作最大的区别是——它的代码特别的长。。。

所以博主决定向大家介绍傅里叶变换的时候采用代码串加注释的方法进行展示与说明。

首先向大家介绍一些基本概念：
#傅里叶变换
#原理：任何图像都是由正弦波累积而成的
#固定时域分析频域的变化

#滤波
#高频：变化剧烈的灰度分量，例如边界
#低频：变化缓慢的灰度分量，例如一片大海
#低通滤波器：只保留低频，会使得图像模糊
#高频滤波器：只保留高频，会使得图像细节更强

#opencv中主要就是cv2.dft()和cv2.idft(),输入图像需要先转化成np.float32格式
#得到的结果中频率为零的会在左上角，通常需要转换到中心位置，可以通过shift变化实现
#cv2.dft()返回的结果为双通道的(实部，虚部)通常要转换为图像的格式才能展示(0,255)

import numpy as np
import cv2
from matplotlib import pyplot as plt
#读入图像
img = cv2.imread('E:\Anaconda\Anaconda3.8\Moon.jpg',0)
#转化为32位格式
img_float32 = np.float32(img)
#将其从左上角移动到中心位置
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#cv2.magnitude(dft_shift[:,:,0],(dft_shift)[:,:,1]) 对两个通道进行变化，将其变回图像，20*是映射到0-255之间
magnitude_spectrum=20*np.log(cv2.magnitude(dft_shift[:,:,0],(dft_shift)[:,:,1]))
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray')
plt.title('magnitude_spectrum'),plt.xticks([]),plt.yticks([])
plt.show()

得到的效果图为

接下来进行滤波操作：
 

#低通高通滤波器
import numpy as np
import cv2
from matplotlib import pyplot as plt
#读入图像
img = cv2.imread('E:\Anaconda\Anaconda3.8\Moon.jpg',0)
#转化为32位格式
img_float32 = np.float32(img)
#将其从左上角移动到中心位置
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#mask处理测定中心位置
#并且转化为int值
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
#低通滤波
#只有中心位置是1，其余位置都是0
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30]=1
#IDFT 变回原始图像
#fshift=dft_shift*mask 将DFT源码与mask结合，是一的保留，不是一的过滤掉了
#f_ishift = np.fft.ifftshift(fshift) shift的负变化，将坐标一直左上角
fshift=dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#实部虚部转换进行处理
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
#展示结果
plt.show()

低通滤波的效果图如图所示，边界会变得模糊。

 

#高通高通滤波器
import numpy as np
import cv2
from matplotlib import pyplot as plt
#读入图像
img = cv2.imread('E:\Anaconda\Anaconda3.8\Moon.jpg',0)
#转化为32位格式
img_float32 = np.float32(img)
#将其从左上角移动到中心位置
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
#mask处理测定中心位置
#并且转化为int值
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
#低通滤波
#只有中心位置是1，其余位置都是0
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30]=0
#IDFT 变回原始图像
#fshift=dft_shift*mask 将DFT源码与mask结合，是一的保留，不是一的过滤掉了
#f_ishift = np.fft.ifftshift(fshift) shift的负变化，将坐标一直左上角
fshift=dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
#实部虚部转换进行处理
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
#展示结果
plt.show()

高通滤波的效果图如图所示，滤波结果为边界。 

好啦，到此为止傅里叶变换也就没设么内容了，下一章向大家讲述我们的第一个项目实战，期待大家的关注。