opencv 空间域,频域滤波相关函数的简单应用

#opencv 空间域,频域滤波的简单应用
import numpy as np
import cv2
from matplotlib import pyplot as plt
import matplotlib as mpl


#2
img = cv2.imread('img/giant-kingfisher-5623347_1280.jpeg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#快速傅立叶变换
f = np.fft.fft2(img)
#执行离散傅里叶变换。 确定结果转换中位于276行和857列交叉处的分量。
print(np.round(f[276][857],2))
#3
#将对应于零频率的分量移动到中心,并将矩阵的所有元素替换为它们的模块 - 幅度。
fshift = np.fft.fftshift(f)
magnitude_spectrum = np.abs(fshift)
#确定最小和最大幅度值:
print(np.round(np.min(magnitude_spectrum),2))
print(np.round(np.max(magnitude_spectrum),2))

#4
#应用对数缩放 应用对数缩放。显示频谱
magnitude_spectrum = np.log(1+np.abs(fshift))
plt.imshow(magnitude_spectrum,cmap="gray")
plt.show()
#确定得到的值的差(最大和最小的差):
print(np.round((np.max(magnitude_spectrum)-np.min(magnitude_spectrum)),2))
#5
#去除低频部分(80x80)的区域
fshift[426 -  40 : 426 + 40, 640- 40: 640 + 40] = 0
plt.imshow(np.log(1+abs(fshift)),cmap="gray")
plt.show()
#还原
f_ishift = np.fft.ifftshift(fshift)
#傅立叶反变换
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
plt.imshow(img_back, cmap = 'gray')
plt.show()
#确定矩阵645行455列交叉处的逆变换幅值。
print(np.round(img_back[645][455],2))




#2
img = cv2.imread('img/waterscape-5541692_1280.jpeg')
#使用拉普拉斯算子绘制图像梯度
laplacian = cv2.Laplacian(img, -1)
plt.imshow(laplacian)
plt.show()
#确定结果图像的所有三个通道的所有像素的强度总和:
print(np.sum(laplacian.ravel()))

#应用 Canny 边缘检测器算法。
canny = cv2.Canny(img, 100, 200)
plt.imshow(canny, cmap = 'gray')
plt.show()
#确定结果图像中所有像素的强度总和:
print(np.sum(canny.ravel()))

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
以下是使用OpenCV C++实现频域滤波去除噪声的示例代码。首先,我们将读取一张图像并添加高斯噪声。然后,我们将对图像进行频域滤波以去除噪声。 ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main() { // 读取图像 Mat image = imread("image.jpg", IMREAD_GRAYSCALE); // 添加高斯噪声 Mat noise; randn(noise, 0, 50); Mat noisy_image = image + noise; // 显示原始图像和加噪声后的图像 imshow("Original Image", image); imshow("Noisy Image", noisy_image); // 计算傅里叶变换 Mat complex_image; Mat padded_image; int m = getOptimalDFTSize(noisy_image.rows); int n = getOptimalDFTSize(noisy_image.cols); copyMakeBorder(noisy_image, padded_image, 0, m - noisy_image.rows, 0, n - noisy_image.cols, BORDER_CONSTANT, Scalar::all(0)); Mat planes[] = { Mat_<float>(padded_image), Mat::zeros(padded_image.size(), CV_32F) }; merge(planes, 2, complex_image); dft(complex_image, complex_image); // 创建低通滤波器 Mat low_pass_filter = Mat::zeros(complex_image.size(), CV_32F); circle(low_pass_filter, Point(low_pass_filter.cols / 2, low_pass_filter.rows / 2), 50, Scalar(1), -1); // 应用低通滤波器 Mat filtered_image; mulSpectrums(complex_image, low_pass_filter, complex_image, 0); idft(complex_image, filtered_image, DFT_SCALE | DFT_REAL_OUTPUT); // 显示过滤后的图像 imshow("Filtered Image", filtered_image); waitKey(0); return 0; } ``` 在上面的代码中,我们首先读取图像并添加高斯噪声。然后,我们使用OpenCV的DFT函数计算图像的傅里叶变换,并创建一个低通滤波器。通过使用mulSpectrums函数将图像的傅里叶变换和滤波器相乘,我们可以将高频噪声过滤掉。最后,我们使用IDFT函数计算过滤后的图像。 在运行上面的代码后,您应该能够看到原始图像、加噪声的图像和过滤后的图像。过滤后的图像中的噪声应该比加噪声的图像中的噪声要少。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

фора 快跑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值