opencv初学（图像13）

傅里叶变换

详细介绍可参考(6 条消息) 傅里叶变换 - 搜索结果 - 知乎 (zhihu.com)

作用：将时域问题转化为频率问题，更好处理

滤波

步骤：

1. 图片转化为频率域（借助cv2.dft(img, flags)）

2. 转化后的频率域中，频率为0的部分一般在左上角，将低频率区域放到中心区域，方便后期的利用掩码来滤波。（np.fft.fftshift(x, axis)）

3. 构造mask掩码作为滤波器使用

4. 滤波

5. 频率域转换回图片，低频率从中心转换回到左上角（cv2.idft(img)，np.fft.ifftshift（）、cv2.magnitude）

频域变换

图片摘自1-傅里叶概述_哔哩哔哩_bilibili

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

def cv_show(name,image):
    cv2.imshow(name,image)
    cv2.waitKey()
    cv2.destroyAllWindows()


img=cv2.imread('D:/BaiduNetdiskDownload/opencv/lena.png',0)
img_float32 = np.float32(img)

#DFT
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)
magnitude_spectrum_1=20*np.log(cv2.magnitude(dft[:,:,0],dft[:,:,1]))
magnitude_spectrum_2=20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(magnitude_spectrum_1,cmap='gray'),plt.title("1")
plt.subplot(122),plt.imshow(magnitude_spectrum_2,cmap='gray'),plt.title("2")
plt.show()

---

API

参考原文链接：https://blog.csdn.net/dgvv4/article/details/121655105

cv2.dft(img, flags)

傅里叶变化函数

img：代表输入图像，opencv中输入图像必须转换成np.float32类型

flags：转换标识，通常为cv2.DFT_COMPLEX_OUTPUT，其他值如下：

np.fft.fftshift(x, axis)

x： 数组，代表输入的频谱图数据

axis： 可选，指定需要移动的轴。默认移动所有的轴返回位移之后的数组。

使用傅里叶变换后，在得到的频谱图中，频率为0的部分会在左上角，为了计算方便，我们通常将频率为0的部分转换到频谱图中心位置

cv2.magnitude(x, y)

x：数组类型，表示浮点型的x轴坐标，也就是实部

y：数组类型，表示浮点型的y轴坐标，也就是虚部

返回值为：x和y的平方和开根，

由于cv2.dft()返回的结果是双通道的(实部和虚部)，通常需要转换成图像格式[0,255]，才能正常显示频谱图。公式为：

20*np.log(cv2.magnitude(x, y))

cv2.idft(img)

傅里叶逆变换

img：代表输入处理后的频谱图像

在使用cv2.dft()获得频谱图时，将低频点从边缘移动到图像中间，现在要逆变换，得把低频点还原到原始位置，使用函数： np.fft.ifftshift(处理后的频谱图) ，之后才能将频谱图转变回空间图像。

注意，逆变换后的结果是包含实部和虚部的，仍需要使用cv2.magnitude函数进行处理

低通滤波示例

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

def cv_show(name,image):
    cv2.imshow(name,image)
    cv2.waitKey()
    cv2.destroyAllWindows()

img=cv2.imread('D:/BaiduNetdiskDownload/opencv/lena.png',0)
img_float32 = np.float32(img)

#低通滤波
w,h=img.shape
w_center,h_center=int(w/2),int(h/2)#中心位置
mask=np.zeros((w,h,2),np.uint8)
mask[w_center-30:w_center+30,h_center-20:h_center+20]=1

#DFT
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)

#IDFT
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])#将复数变回来

plt.subplot(121),plt.imshow(img,cmap='gray'),plt.title('Input image')
plt.subplot(122),plt.imshow(img_back,cmap='gray'),plt.title('Result')
plt.show()

高通滤波示例

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

def cv_show(name,image):
    cv2.imshow(name,image)
    cv2.waitKey()
    cv2.destroyAllWindows()

img=cv2.imread('D:/BaiduNetdiskDownload/opencv/lena.png',0)
img_float32 = np.float32(img)

#高通滤波
w,h=img.shape
w_center,h_center=int(w/2),int(h/2)#中心位置
mask=np.ones((w,h,2),np.uint8)
mask[w_center-30:w_center+30,h_center-20:h_center+20]=0

#DFT
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)

#IDFT
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])#将复数变回来

plt.subplot(121),plt.imshow(img,cmap='gray'),plt.title('Input image')
plt.subplot(122),plt.imshow(img_back,cmap='gray'),plt.title('Result')
plt.show()