计算机视觉-OpenCV（五）

最新推荐文章于 2024-09-04 10:32:58 发布

多加香菜码力全开

最新推荐文章于 2024-09-04 10:32:58 发布

阅读量2k

点赞数

分类专栏： Python机器学习文章标签： opencv 计算机视觉人工智能

本文链接：https://blog.csdn.net/m0_68828538/article/details/124540011

版权

Python机器学习专栏收录该内容

13 篇文章 2 订阅

订阅专栏

本文通过Python的OpenCV库展示了傅里叶变换在图像处理中的应用。首先，介绍了傅里叶变换的基本概念，指出它在频域分析中的作用，高频对应图像的细节，低频对应平滑部分。接着，通过实例演示了如何使用cv2.dft()进行傅里叶变换，并通过创建掩模实现低通滤波（图像模糊）和高通滤波（增强细节）。最后，通过比较原图与处理后的图像效果，展示了滤波器的不同效果。

摘要由CSDN通过智能技术生成

一、傅里叶变换

以时间为参照就是时域分析，但在频域中一切中都是静止的。
傅里叶变换的作用
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
滤波
低通滤波器：只保留低频，会使得图像模糊
高通滤波器：只保留高频，会使图像细节增强

opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32格式
得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现
cv2.dft()的返回结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）

import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('car.jpg',0)
#转换成np.float32格式
img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将低频图像转换到中间位置
dft_shift=np.fft.fftshift(dft)
#转换成灰度图能表示的形式
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()

1.1 低通滤波

低通滤波（只留下低频）

#低通
import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('car.jpg',0)
#转换成np.float32格式
img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将图像转换到中间位置
dft_shift=np.fft.fftshift(dft)

rows,cols=img.shape
#计算中心位置坐标
crow,ccol=int(rows/2),int(cols/2)

#低通滤波（只留下低频）
#创建一个掩码,置零，大小与原始图像大小一致
mask=np.zeros((rows,cols,2))
#保留区域置一（中间）
mask[crow-30:crow+30,ccol-30:ccol+30]=1

#IDFT(傅里叶逆变换)
fshift=dft_shift*mask
#低频还原到四周
f_ishift=np.fft.ifftshift(fshift)
#图像转换
img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

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('img_back'),plt.xticks([]),plt.yticks([])
plt.show()

1.2高通滤波

#高通
import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('car.jpg',0)
#转换成np.float32格式
img_float32=np.float32(img)

dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将图像转换到中间位置
dft_shift=np.fft.fftshift(dft)

rows,cols=img.shape
#计算中心位置坐标
crow,ccol=int(rows/2),int(cols/2)

#高通滤波（只留下高频）
#创建一个掩码,置一，大小与原始图像大小一致
mask=np.ones((rows,cols,2))
#区域置零（中间）
mask[crow-30:crow+30,ccol-30:ccol+30]=0

#IDFT(傅里叶逆变换)
fshift=dft_shift*mask
#低频还原到四周
f_ishift=np.fft.ifftshift(fshift)
#图像转换
img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

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('img_back'),plt.xticks([]),plt.yticks([])
plt.show()