opencv学习之：图像通过傅里叶变换进行低通高通滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as c
def cv_show(img):
    cv2.imshow("img",img)
    cv2.waitKey(0)
    
    
def cv_read(img_file,gray=True):
    if gray == True:
        return cv2.imread(img_file,0)
    else:
        return cv2.imread(img_file)

• 下文中使用的图片为 lena：
  

傅里叶变换

得到图片傅里叶变换频谱

img = cv_read("./img.png")

float32_img = np.float32(img)
dft = cv2.dft(float32_img, flags=cv2.DFT_COMPLEX_OUTPUT)

cv_show(img)

dft.shape # 一个表示频域的横轴，一个表示频域的纵轴

(200, 200, 2)

'''这个时候，四个角的亮的部分是低频信号，我们通常通过 shift 把他们转换到中间位置'''
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft[:,:,0],dft[:,:,1]))
plt.imshow(magnitude_spectrum,cmap=c.jet)

进行 shift 操作

dft_shift = np.fft.fftshift(dft) # shift 操作值得是频谱搬移操作
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.imshow(magnitude_spectrum,c.jet)

进行低通滤波（只保留中间低频的部分）

lowpass_mask = np.zeros((*img.shape,2),np.uint8) # (200,200,2) 因为 shift 两个通道

## 找出中心点位置，以中心点位置画矩形进行 mask 滤波
midpoint = (int(img.shape[0] / 2),int(img.shape[1] / 2))
midpointx = midpoint[0]
midpointy = midpoint[1]

'''人为指定矩形区域，中心点上下左右都30个像素'''
lowpass_mask[midpointx-30 : midpointx+30, midpointy-30:midpointy+30] = 1

dft_shift = dft_shift * lowpass_mask

magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.imshow(magnitude_spectrum,c.jet)

# 将shift 过后的信号搬移回原来的位置
f_ishift = np.fft.ifftshift(dft_shift)

magnitude_spectrum = 20 * np.log(cv2.magnitude(f_ishift[:,:,0],f_ishift[:,:,1]))
plt.imshow(magnitude_spectrum)

# 进行反傅里叶变换
img_ = cv2.idft(f_ishift)
img_.shape

(200, 200, 2)

# 展示还原回来的两个分量通道
show = np.hstack((img_[:,:,0],img_[:,:,1]))
plt.imshow(show,cmap=c.jet)
cv_show(show)

# 叠加展示还原回来的原图
img_back = cv2.magnitude(img_[:,:,0],img_[:,:,1])
cv_show(img_back)

# 展示滤波前和滤波后的图
fig,(a,b) = plt.subplots(1,2)
a.imshow(img,cmap="gray")
b.imshow(img_back,cmap="gray")
plt.show()  # 可以看到低频信号都被保留了

高通滤波

img = cv_read("./img.png")

float32_img = np.float32(img)
dft = cv2.dft(float32_img, flags=cv2.DFT_COMPLEX_OUTPUT)

dft_shift = np.fft.fftshift(dft)
center_x,center_y = int(img.shape[0] / 2), int(img.shape[1] / 2)

highpass_mask = np.ones((*img.shape,2),np.uint8)
highpass_mask[center_x-30:center_x+30,center_y-30:center_y+30] = 0

f_shift = dft_shift * highpass_mask
f_ishift = np.fft.ifftshift(f_shift)
img_ = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_[:,:,0],img_[:,:,1])

fig,(a,b) = plt.subplots(1,2)
a.imshow(img,cmap="gray")
b.imshow(img_back,cmap="gray")
plt.show()  # 可以看到只保留了高频信息