目录
简介
图像从空间域变换到某变换域(如傅立叶变换中的频率域)的数学变换,在变换域中进行处理,然后通过反变换把处理结果返回到空间域。
傅里叶变换
在opencv中实现频率域滤波主要是依靠傅里叶变换实现的
在了解傅里叶变换前 得知道傅里叶级数和周期性函数的关系
满足狄利克雷条件的任何周期函数都是由一系列不同系列的正弦(余弦)函数(傅里叶级数)叠加而成
由此可见是充要条件 所以傅里叶变换是可以逆变换的
详细可看傅里叶分析之掐死教程(完整版)更新于2014.06.06 - 知乎 (zhihu.com)
傅里叶变换作用
傅里叶变换在图像处理的应用在于变换后将空间域转化成了频率域,自此会出现低频和高频
- 低频:变换缓慢的区域 比如:一张白纸
- 高频:变换剧烈的区域 比如:图像边界
滤波
从上述中存在的低频和高频 由此可以产生两个滤波
- 低频滤波:保留低频,阻塞高频,可以去噪,图像模糊
- 高频滤波:保留高频,阻塞低频,增强图像细节
函数
opencv中有cv2.dft()和cv2.idft(),输入图像需要先转换成np.float32格式
得到的频率0的结果会出现在左上角 需要shift变换将其移入中间
cv2.dft()转化后是双通道(实部,虚部),要将其转化为图像格式即在[0, 255]
傅里叶变换效果
PS:DFT只能对灰度图像进行,因为彩色图像是三通道的 而DFT是针对单通道的
#预处理:将灰度图像转化为32位浮点数类型,cv2.dft只能解释32为和64位,但在官方文档中要求是32位
starSky_float32 = np.float32(starSky_Gary)
#进行傅里叶变换
dft = cv2.dft(starSky_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将频谱平移 使得低频在图像中心
dft_shift = np.fft.fftshift(dft)
#将幅度谱转化为可视化图像
magnitude = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
plt.subplot(121),plt.imshow(starSky_Gary,'gray'),plt.title('Origin'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude,'gray'),plt.title('magnitude'),plt.xticks([]),plt.yticks([])
plt.show()
低通滤波
案例
#低通滤波
#预处理:将灰度图像转化为32位浮点数类型,cv2.dft只能解释32为和64位,但在官方文档中要求是32位
starSky_float32 = np.float32(starSky_Gary)
#进行傅里叶变换
dft = cv2.dft(starSky_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
#将频谱平移 使得低频在图像中心
dft_shift = np.fft.fftshift(dft)
#找到中心位置
rows, cols = starSky_Gary.shape
row, col = int(rows/2), int(cols/2)
#令中心位置等于1
mask = np.zeros((rows,cols,2),np.uint8)
mask[row-30:row+30,col-30:col+30]=1
#逆变换
#两个进行相与操作,此时低频被保留,高频被阻塞,实现低通滤波
fshift = dft_shift*mask
#将频谱平移回去
f_ishift = np.fft.ifftshift(fshift)
#傅里叶逆变换
starSky_back = cv2.idft(f_ishift,flags=cv2.DFT_COMPLEX_OUTPUT)
#转化为可视化图像
magnitude = cv2.magnitude(starSky_back[:,:,0],starSky_back[:,:,1])
plt.subplot(121),plt.imshow(starSky_Gary,'gray'),plt.title('origin'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude,'gray'),plt.title('magnitude'),plt.xticks([]),plt.yticks([])
plt.show()
高通滤波
案例
其实就是把之前低通的 np生成的数组0和1互换
#高通滤波器
starSky_float32 = np.float32(starSky_Gary)
dft = cv2.dft(starSky_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = starSky_Gary.shape
row, col = int(rows/2),int(cols/2)
mask = np.ones((rows,cols,2),np.uint8)
mask[row-30:row+30,col-30:col+30] = 0
fshift = mask * dft_shift
f_ishift = np.fft.ifftshift(fshift)
starSky_back = cv2.idft(f_ishift,flags=cv2.DFT_COMPLEX_OUTPUT)
magnitude = cv2.magnitude(starSky_back[:,:,0],starSky_back[:,:,1])
plt.subplot(121),plt.imshow(starSky_Gary,'gray'),plt.title('origin'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude,'gray'),plt.title('magnitude'),plt.xticks([]),plt.yticks([])
plt.show()
注意
在此处不使用plt.imshow而使用cv2.imshow 图像会出错
原因
- cv2.imshow希望图像范围在[0,255]但magnitude不在这个范围内所以需要先进行cv2.normalize
- cv2.imshow同样只接受uint8型,但此时的magnitude还是float32型,所以要进行astype转换
if magnitude.min() < 0 or magnitude.max() > 255:
magnitude = cv2.normalize(magnitude, None, 0, 255, cv2.NORM_MINMAX)
magnitude = magnitude.astype(np.uint8)