使用OpenCV实现离散傅里叶变换(DFT)
傅里叶变换,妈呀这个东东好高级啊!真的高级吗?理解起来还真是有点困难,需要一些高等数学的基础。有了OpenCV,你不理解也没问题,会用就OK!就好比你会用手机打电话和聊天,至于你为什么拥有了孙悟空的千里眼和顺风耳的能力,这就不管了.
以下内容原文来自opencv-4.2.0-docs/4.2.0/d8/d01/tutorial_discrete_fourier_transform.html 如果你的English好,直接找原文看,不用往下看了,免得浪费时间。我翻译这个东西,只是自己的学习心得,不一定正确。
目的
我们将回答并解决下面的问题:
1.什么是傅立叶变换,为什么要使用它?
2.在OpenCV中如何做?
3.学会这些函数的使用: copyMakeBorder(), merge(), dft(), getOptimalDFTSize(), log()和normalize()。
什么是傅里叶变换?
傅立叶变换会将图像分解成其正弦和余弦分量。换句话说,它将图像从空间域转换到频率域。这个想法是,任何函数都可以用无限的正弦和余弦函数之和精确地近似。傅立叶变换是一种方法。数学上,二维图像的傅里叶变换为:
在此,f是其空间域中的图像值,F是其频率域中的F。转换的结果是复数。可以通过实像+虚像或通过振幅+相位图像进行显示。但是,在整个图像处理算法中,仅振幅图像很有趣,因为它包含了我们需要的有关图像几何结构的所有信息。不过,如果您打算以这些形式对图像进行一些修改,然后需要对其进行重新转换,则需要保留振幅和相位这两种形式。
在此示例中,我将展示如何计算和显示傅立叶变换的振幅图像。在数字图像的情况下是离散的。这意味着他们可能会从给定的域值中获取一个值。例如,在基本灰度级中,图像值通常在零到255之间。因此,傅立叶变换也必须是离散类型,从而导致离散傅立叶变换(DFT)。每当需要从几何角度确定图像的结构时,就需要使用此功能。以下是要执行的步骤(输入数据为灰度图像):
放大图像至合适的尺寸
DFT的性能取决于图像大小。对于数字二,三和五的倍数的图像,它往往是最快的。因此,要获得最佳性能,通常最好将边框值填充到图像上以获得具有此类特征的尺寸。所述getOptimalDFTSize()返回该最佳尺寸和我们可以使用copyMakeBorder()函数以展开的图像(放大部分区域的像素值=0)的边界:
Mat padded; //expand input image to optimal size
int m = getOptimalDFTSize( I.rows );
int n = getOptimalDFTSize( I.cols ); // on the border add zero values
copyMakeBorder(I, padded, 0, m - I.rows, 0, n - I.cols, BORDER_CONSTANT, Scalar::all(0));
给实像和虚像分配内存
傅立叶变换的结果很复杂。这意味着对于每个图像值,结果是两个图像值(每个分量一个)。而且,频域范围比其空间对应范围大得多。因此,我们通常至少以浮点格式存储这些内容。因此,我们将输入图像转换为此类型,并使用另一个通道将其扩展以容纳复杂值:
进行离散傅立叶变换
可能就地计算(输入与输出相同):
dft(complexI, complexI); // this way the result may fit in the source matrix
将实像和虚像的值转换为振幅
复数具有一个实数(Re)和一个复数(虚数-Im)部分。DFT的结果是复数。DFT的大小为:
OPENCV的实现代码:
split(complexI, planes); // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))
magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude
Mat magI = planes[0];
切换到对数刻度
事实证明,傅立叶系数的动态范围太大,无法在屏幕上显示。我们有一些无法观察到的小而高的变化值。因此,高值将全部显示为白点,而小值将显示为黑点。为了使用灰度值进行可视化,我们可以将线性比例转换为对数:
magI += Scalar::all(1); // switch to logarithmic scale
log(magI, magI);
裁剪和重新排列
还记得,第一步,我们扩大了形象吗?好了,是时候丢弃新引入的值了。出于可视化目的,我们还可以重新排列结果的象限,以使原点(零,零)与图像中心相对应。
归一化
出于可视化目的再次进行此操作。现在我们有了幅度,但是这仍然超出了我们的图像显示范围(从零到一)。我们使用cv :: normalize()函数将值标准化到该范围。
**
normalize(magI, magI, 0, 1, NORM_MINMAX);
// Transform the matrix with float values into a
// viewable image form (float between values 0 and 1).
**
完整的代码:
#include "opencv2/core.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include <iostream>
using namespace cv;
using namespace std;
//DFT 离散傅里叶变换
//E:\MedicalImage\HMBridge.jpg
static void help(char ** argv)
{
cout << endl
<< "This program demonstrated the use of the discrete Fourier transform (DFT). " << endl
<< "The dft of an image is taken and it's power spectrum is displayed." << endl << endl
<< "Usage:" << endl
<< argv[0] << " [image_name -- default lena.jpg]" << endl << endl;
}
int main(int argc, char ** argv)
{
help(argv);
const char* filename = argc >=2 ? argv[1] : "lena.jpg";
Mat I = imread( samples::findFile( filename ), IMREAD_GRAYSCALE);
if( I.empty()){
cout << "Error opening image" << endl;
return EXIT_FAILURE;
}
Mat padded; //expand input image to optimal size
int m = getOptimalDFTSize( I.rows );
int n = getOptimalDFTSize( I.cols ); // on the border add zero values
copyMakeBorder(I, padded, 0, m - I.rows, 0, n - I.cols, BORDER_CONSTANT, Scalar::all(0));
Mat planes[] = {Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F)};
Mat complexI;
merge(planes, 2, complexI); // Add to the expanded another plane with zeros
dft(complexI, complexI); // this way the result may fit in the source matrix
// compute the magnitude and switch to logarithmic scale
// => log(1 + sqrt(Re(DFT(I))^2 + Im(DFT(I))^2))
split(complexI, planes); // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))
magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude
Mat magI = planes[0];
magI += Scalar::all(1); // switch to logarithmic scale
log(magI, magI);
// crop the spectrum, if it has an odd number of rows or columns
magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2));
// rearrange the quadrants of Fourier image so that the origin is at the image center
int cx = magI.cols/2;
int cy = magI.rows/2;
Mat q0(magI, Rect(0, 0, cx, cy)); // Top-Left - Create a ROI per quadrant
Mat q1(magI, Rect(cx, 0, cx, cy)); // Top-Right
Mat q2(magI, Rect(0, cy, cx, cy)); // Bottom-Left
Mat q3(magI, Rect(cx, cy, cx, cy)); // Bottom-Right
Mat tmp; // swap quadrants (Top-Left with Bottom-Right)
q0.copyTo(tmp);
q3.copyTo(q0);
tmp.copyTo(q3);
q1.copyTo(tmp); // swap quadrant (Top-Right with Bottom-Left)
q2.copyTo(q1);
tmp.copyTo(q2);
normalize(magI, magI, 0, 1, NORM_MINMAX); // Transform the matrix with float values into a
// viewable image form (float between values 0 and 1).
imshow("Input Image" , I ); // Show the result
imshow("spectrum magnitude", magI);
waitKey();
return EXIT_SUCCESS;
}
观察一下,图像旋转后能谱图也会随着旋转。
Lena的能谱图如下: