傅里叶变换（opencv_python学习）

Numpy中的傅里叶变换

在NumPy中，可以使用numpy.fft模块进行傅里叶变换（Fourier Transform）的计算。傅里叶变换是一种将信号从时域转换到频域的数学变换，可以帮助我们分析信号的频谱特性。

下面是几个常用的傅里叶变换函数：

• numpy.fft.fft()：计算一维输入序列的快速傅里叶变换（FFT）。返回输出数组，其中包含了输入信号的频域表示。

• numpy.fft.ifft()：计算一维输入序列的逆傅里叶变换（IFFT）。返回输出数组，其中包含了频域输入信号的时域表示。

• numpy.fft.fft2()：计算二维输入数组的二维快速傅里叶变换（2D FFT）。返回输出数组，其中包含了输入信号的频域表示。

• numpy.fft.ifft2()：计算二维输入数组的二维逆傅里叶变换（2D IFFT）。返回输出数组，其中包含了频域输入信号的时域表示。

这些函数还有一些可选的参数，例如指定变换的长度、变换的轴、以及是否进行归一化等。

import numpy as np
import cv2 as cv

# 读取图像
img = cv.imread('pic1.jpg', 0)

# 获取图像尺寸
rows, cols = img.shape

f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

# 显示结果
cv.imwrite('pic.jpg', magnitude_spectrum)
cv.waitKey(0)
cv.destroyAllWindows()

恢复原图像（灰度图）

crow, ccol = rows // 2, cols // 2
fshift[crow - 30:crow + 31, ccol - 30:ccol + 31] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.real(img_back)

opencv中的傅里叶变换

在OpenCV中，cv.dft()函数和cv.idft()函数返回的结果都是与输入图像具有相同大小和类型的复数数组。

• 在进行傅里叶变换之前，需要将输入图像转换为np.float32类型。
• 注意 通常，OpenCV函数cv.dft()和cv.idft()比Numpy函数更快。但是Numpy函数更容易使用。

# 将图像转换为 np.float32 类型
image_float32 = np.float32(image)

# 执行傅里叶变换
dft = cv.dft(image_float32, flags=cv.DFT_COMPLEX_OUTPUT)

# 执行逆傅里叶变换
idft = cv.idft(dft, flags=cv.DFT_SCALE | cv.DFT_REAL_OUTPUT)

# 取幅度谱
magnitude_spectrum = 20 * np.log(cv.magnitude(dft[:, :, 0], dft[:, :, 1]))

dft_shift = np.fft.fftshift(dft)这行代码对傅里叶变换结果进行了移动操作，将低频分量移到频谱的中心。np.fft.fftshift() 函数用于实现这个操作。傅里叶变换结果 dft 被传递给 np.fft.fftshift() 函数，返回移动后的结果 dft_shift。
逆变换时要平移回去，使用f_ishift = np.fft.ifftshift(fshift)

优化性能

cv.getOptimalDFTSize()是OpenCV中用于获取最优傅里叶变换大小的函数。在进行傅里叶变换之前，通常会将输入图像的大小扩充到最接近的2的幂次方。这是为了获得更高的计算效率和更好的性能。

使用cv.getOptimalDFTSize()函数可以找到最接近给定尺寸的2的幂次方。它接受一个整数作为输入，并返回最接近该整数的2的幂次方。

代码示例：

# 读取图像
image = cv.imread('image.jpg', 0)

# 获取最优傅里叶变换大小
dft_size = cv.getOptimalDFTSize(image.shape[0])

# 将图像尺寸调整到最优大小
padded_image = cv.copyMakeBorder(image, 0, dft_size - image.shape[0], 0, dft_size - image.shape[1], cv.BORDER_CONSTANT)

# 执行傅里叶变换
dft = cv.dft(np.float32(padded_image), flags=cv.DFT_COMPLEX_OUTPUT)

# ... 进行其他操作 ...

在上面的示例中，我们首先读取图像，并使用cv.getOptimalDFTSize()获取最优傅里叶变换大小。然后，我们使用cv.copyMakeBorder()函数将图像的尺寸调整为最优大小。接下来，我们执行傅里叶变换，并继续进行其他操作。

通过使用cv.getOptimalDFTSize()函数，我们可以确保输入图像的尺寸符合傅里叶变换的要求，从而获得更好的计算性能和结果质量。