图片处理（四）傅里叶变换

基于傅里叶变换的高通及低通
傅里叶变换是将空间域转换成频率域，在空间域中灰度变化梯度在频域率中表现为频率的大小，灰度梯度变化大（频率达）意味着图片约锐化，一般图片中边界位置就是梯度变化较大的地方。
利用傅里叶变换可以实现边界提取，去噪等操作，下面代码实现：
首先低通，低通关键点是做一个mask掩膜，初始化一张图，高频部位是0，低频部位是1，将原频率图与mask乘积去除掉高频部位，从而实现低通

import numpy as np
import cv2

image = cv2.imread('test.jpg',0)
f = np.fft.fft2(image)
fshift = np.fft.fftshift(f)

hight,width = image.shape
h = int(hight/2)
w = int(width/2)
mask = np.zeros((hight,width),dtype = np.float32)
mask[h-30:h+30,w-30:w+30] = 1
#fshift[h-30:h+30,w-30:w+30] = 0
fshift = fshift*mask

img = np.fft.ifftshift(fshift)
img = np.fft.ifft2(img)
img = np.abs(img)

cv2.imshow('test1',img.astype(np.uint8))
cv2.imshow('test',fshift.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyWindows()

高通：高通即直接在原频率图中，重置高频部位为0,因为高频部位经过中心化后就在频率图中兴,代码如下：

import numpy as np
import cv2

image = cv2.imread('test.jpg',0)
f = np.fft.fft2(image)
fshift = np.fft.fftshift(f)

hight,width = image.shape
h = int(hight/2)
w = int(width/2)
#mask = np.zeros((hight,width),dtype = np.float32)
#mask[h-30:h+30,w-30:w+30] = 1
fshift[h-30:h+30,w-30:w+30] = 0
#fshift = fshift*mask

img = np.fft.ifftshift(fshift)
img = np.fft.ifft2(img)
img = np.abs(img)

cv2.imshow('test1',img.astype(np.uint8))
cv2.imshow('test',fshift.astype(np.uint8))
cv2.waitKey(0)
cv2.destroyWindows()