傅里叶变换中频域的理解

频域的理解

频域的作用

1. 低通滤波器：只保留低频，会使得图像模糊
2. 高通滤波器：只保留高频，会使得图像细节增强

1. opencv中主要是：cv2.dft()和 cv2.idft()傅里叶变换和傅里叶逆变换
2. 输入的图像也要先转换成np.float32格式才可以
3. 得到的结果中频率为0的部分在左上角，通常还要转换到中心位置，可以通过shift变换实现
4. cv2.dft()返回的是双通道的（实部和虚部），还要进行转换成图像的格式（0~255）才能进行显示

cv2.dft()和 cv2.idft()傅里叶变换和傅里叶逆变换

傅里叶变换

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
img = cv2.imread('../image/lena.jpg',0)
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将低频全部转换到中心位置，越高频越往外发散
dft_shift = np.fft.fftshift(dft)
#得到灰度图能表示的形式，映射
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
 
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()
 

低通滤波器

"""
    低通滤波器
"""
img = cv2.imread('../image/lena.jpg',0)
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将低频全部转换到中心位置，越高频越往外发散
dft_shift = np.fft.fftshift(dft)
 
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2) #中心位置
 
#低通滤波,只保留中间的位置
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 1
 
#IDFT逆变换
fshift = dft_shift*mask
#要把之前转换的情况再转换成之前的情况
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
 
#将双通道转换成（0~255）
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('input image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()

高通滤波器

"""
    高通滤波器：和低通滤波器正好相反
"""
img = cv2.imread('../image/lena.jpg',0)
img_float32 = np.float32(img)
 
dft = cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将低频全部转换到中心位置，越高频越往外发散
dft_shift = np.fft.fftshift(dft)
 
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2) #中心位置
 
#高通滤波
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 0
 
#IDFT逆变换
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
 
plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('input image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()