9.傅里叶变换

目录

1  概念

2  代码实现

2.1  全部滤波

2.2  低通滤波

2.3  高通滤波

---

1  概念

我们引入一个概念

• 时域分析，我们9：00工作，12：00吃饭，以时间为节点进行分析，这个叫时域分析
• 频域分析，我们一周上五天班，一周吃7次午饭，吃午饭的频率要比上班的频率高，以时间发生的频率进行分析，这个叫频域分析

任何的周期函数都可以通过若干正弦波堆叠出来

我们观察上面这张图，在频率方向上频率值越大，正弦波的频率就越高(周期越短，峰值越低)，我们就可以以频率值为x，峰值为y画出频域图像，时间方向就是正常时间对应的值

我们再引入四个概念

• 低频：灰度值变化缓慢的地方
• 高频：灰度值变化剧烈的地方，例如边界
• 低通滤波器：只保留低频，会使图像变得模糊
• 高通滤波器：只保留高频，会使图像细节(边界)增强

下面是傅里叶变换的方法

• cv2.dft()是傅里叶变换，变换之后图像无法展示出来，所以我们要再使用cv2.idft()转换回来
• 傅里叶变换后低频区域会再左上角，为了处理方便我们要使用shift将低频区域转换到中心
• 第三点是返回结果有实部和虚部，需要使用cv2.idft转换成像素值才能展示出来

计算上就比较复杂了，我们专注于代码上的实现，我贴一下公式，如果有想法可以去了解一下

cv2.dft() 从时域图像转换为频域图像

cv2.idft() 从频域图像转换为时域图像

2  代码实现

用到新的的API如下

• cv2.dft() 由时域图转为频域图
• cv2.idft() 由频域图转为时域图
• np.float32() 将图像转为float32格式
• np.fft.fftshift() 将低频区域从左上角移动到中心
• np.fft.fftshift() 将低频区域从中心移动到左上角
• cv2.magnitude() 处理频域图像的实部与虚部

2.1  全部滤波

导入包后我们读入灰度图，然后转换为np.float32格式

之后使用cv2.dft进行傅里叶变换

这个flags就是用来控制输入与输出的，现在我们要输出傅里叶变换，所以选择OUTPUT这个参数

把低频值转换到中间

我们此时查看一下dft_shift的变量类型与形状

发现是numpy.ndarray类型，456*823，这个是图片的大小，两通道(实部与虚部)

使用cv2.magnitude()计算频域图上的幅值，也就是频域图上的坐标y

我们可以明显观察到频谱图的幅值是没有办法在时域图中展示的(超过了255），所以我们下面要用np.log将其转化为时域图

• *20的原因是np.log直接返回的值太小，在这里规定将返回的值乘20

之后就可以将图像展示出来了

在中间最亮的点频率是最低的，越往外发散频率越高

2.2  低通滤波

低通滤波就是把低频区域进行滤波，我们使用掩膜排除掉高频区域(四周),只过滤低频区域(中间)

一直到转移中心点之前都是一样的

我们获取图像的行与列，之后获取行与列的中心位置

然后我们创建只保留中心的掩膜，中心区域为1作为图像的系统可以保留图像频率值，其余区域置为0，最终乘积也会是0，我们当前的区域的中心区域60*60

之后我们将频域图与掩膜相乘进行过滤

现在我们得到了新的频谱图，我们要将其返回成我们现在可以看的图，上面的fftshift步骤把低频区域从左上角移动到了中心，现在我们要变成可以看的图就需要把低频区域从中心移动回左上角

之后我们使用idft将图片变回时域图

此时返回的结果还是实部与虚部结合的图像，所以还不能看，下面我们在计算峰值

• 由于已经转换为可见图像了，所以我们就不需要20*np.log()的操作了

下面就可以把图像显示出来了

由于进行的是低通滤波，屏蔽高频区域，我们明显看出图像模糊了

2.3  高通滤波

我们只需要将掩膜换掉即可

使用全1数组，把中心掏成0就可以了

我们可以发现图像的细节(边界)得到了增强