1.原理
- 傅里叶变换经常被用来分析不同滤波器的频率特性。我们可以使用2D 离散傅里叶变换(
DFT
) 分析图像的频域特性。实现DFT 的一个快速算法被称为快速傅里叶变换(FFT
)。 - 对于一个正弦信号: x ( t ) = A s i n ( 2 π f t ) x(t)=Asin(2πft) x(t)=Asin(2πft), 它的频率为 f f f,如果把这个信号转到它的频域表示,我们会在频率 f f f中看到一个峰值。如果我们的信号是由采样产生的离散信号好组成,我们会得到类似的频谱图,只不过前面是连续的,现在是离散。你可以把图像想象成沿着两个方向采集的信号。所以对图像同时进行X 方向和Y 方向的傅里叶变换,我们就会得到这幅图像的频域表示(频谱图)。
- 更直观一点,对于一个正弦信号,如果它的幅度变化非常快,我们可以说他是高频信号,如果变化非常慢,我们称之为低频信号。你可以把这种想法应用到图像中。图像哪里的幅度变化非常大呢?边界点或者噪声。所以我们说边界和噪声是图像中的
高频分量
(注意这里的高频是指变化非常快,而非出现的次数多)。如果没有如此大的幅度变化我们称之为低频分量
。
2.Numpy中的傅里叶变换
代码速记:
- np.fft.fft2()
- np.fft.fftshift()
- np.fft.ifftshift()
- np.fft.ifft2()
(1)构建频谱图实战:
def numpy_fft(self):
#【1】转灰度图
img = cv2.cvtColor(self.img,cv2.COLOR_BGR2GRAY)
#【2】fft2:对信号进行频率转换,输出结果是一个复杂的数组。
#第二个参数是可选的, 决定输出数组的大小。
#输出数组的大小和输入图像大小一样。如果输出结果比输入图像大,输入图像就需要在进行FFT前填充为0。
#如果输出结果比输入图像小的话,输入图像就会被裁剪。
f = np.fft.fft2(img)
#【3】fftshift
fshift = np.fft.fftshift(f)#上面得到的结果中,频率为0的部分(直流分量)在输出图像的左上角
#让它(直流分量)在输出图像的中心,我们还需要将结果沿两个方向平移 N/2
#【4】构建频谱图
#20*log(|fshift|)
magnitude_spectrum = 20 * np.log(np.abs(fshift))
#画图
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()
可以看到输出结果的中心部分更白(亮),这说明低频分量更多。
(2)对频谱图的操作:高通滤波(HPF
)、重建图像(即找到逆DFT
):
def numpy_fft_abs(self):
#对原图进行傅里叶变换
img = cv2.cvtColor(self