前言
数字图像处理c++ opencv(VS2019 opencv4.53)持续更新
一、高斯低通滤波器(GLPF)
D
2
(
u
,
v
)
为
距
离
中
心
点
的
距
离
平
方
,
D
0
为
设
置
半
径
D^2(u,v)为距离中心点的距离平方,D_0为设置半径
D2(u,v)为距离中心点的距离平方,D0为设置半径
二、代码
主代码:
#include<iostream>
#include<opencv2/opencv.hpp>
#include "MY_DFT.h"
#include "Salt.h"
using namespace cv;
using namespace std;
int main()
{
Mat image, image_gray, image_output, image_transform; //定义输入图像,灰度图像,输出图像
image = imread("lena.png"); //读取图像;
if (image.empty())
{
cout << "读取错误" << endl;
return -1;
}
imshow("image", image);
cvtColor(image, image_gray, COLOR_BGR2GRAY); //转换为灰度图
imshow("image_gray", image_gray); //显示灰度图
Salt(image_gray, 1000);
imshow("image_gray", image_gray); //显示噪声图
//1、傅里叶变换,image_output为可显示的频谱图,image_transform为傅里叶变换的复数结果
My_DFT(image_gray, image_output, image_transform);
imshow("image_output", image_output);
//2、高斯低通滤波
Mat planes[] = { Mat_<float>(image_output), Mat::zeros(image_output.size(),CV_32F) };
split(image_transform, planes);//分离通道,获取实部虚部
Mat image_transform_real = planes[0];
Mat image_transform_imag = planes[1];
int core_x = image_transform_real.rows / 2;//频谱图中心坐标
int core_y = image_transform_real.cols / 2;
int r = 60; //滤波半径
float h;
for (int i = 0; i < image_transform_real.rows; i++)
{
for (int j = 0; j < image_transform_real.cols; j++)
{
h = exp(-((i - core_x) * (i - core_x) + (j - core_y) * (j - core_y))/(2*r*r));
image_transform_real.at<float>(i, j) = image_transform_real.at<float>(i, j) * h;
image_transform_imag.at<float>(i, j) = image_transform_imag.at<float>(i, j) * h;
}
}
planes[0] = image_transform_real;
planes[1] = image_transform_imag;
Mat image_transform_ilpf;//定义高斯低通滤波结果
merge(planes, 2, image_transform_ilpf);
//3、傅里叶逆变换
Mat iDft[] = { Mat_<float>(image_output), Mat::zeros(image_output.size(),CV_32F) };
idft(image_transform_ilpf, image_transform_ilpf);//傅立叶逆变换
split(image_transform_ilpf, iDft);//分离通道,主要获取0通道
magnitude(iDft[0], iDft[1], iDft[0]); //计算复数的幅值,保存在iDft[0]
normalize(iDft[0], iDft[0], 0, 1, NORM_MINMAX);//归一化处理
imshow("idft", iDft[0]);//显示逆变换图像
waitKey(0); //暂停,保持图像显示,等待按键结束
return 0;
}
噪声代码(.h文件):
#pragma once
#include<iostream>
#include<opencv2/opencv.hpp>
#include <random>
using namespace cv;
using namespace std;
void Salt(Mat image, int n);
噪声代码(.cpp文件):
#include "Salt.h"
void Salt(Mat image, int n)
{
default_random_engine generater;
uniform_int_distribution<int>randomRow(0, image.rows - 1);
uniform_int_distribution<int>randomCol(0, image.cols - 1);
int i, j;
for (int k = 0; k < n; k++)
{
i = randomCol(generater);
j = randomRow(generater);
if (image.channels() == 1)
{
image.at<uchar>(j, i) = 255;
}
else if (image.channels() == 3)
{
image.at<Vec3b>(j, i)[0] = 255;
image.at<Vec3b>(j, i)[1] = 255;
image.at<Vec3b>(j, i)[2] = 255;
}
}
}
傅里叶变换代码(.h文件):
#pragma once
#include<iostream>
#include<opencv2/opencv.hpp>
#include<cmath>
using namespace cv;
using namespace std;
void My_DFT(Mat input_image, Mat& output_image, Mat& transform_array);
傅里叶变换代码(.cpp文件):
#include "MY_DFT.h"
//傅里叶变换得到频谱图和复数域结果
void My_DFT(Mat input_image, Mat& output_image, Mat& transform_image)
{
//1.扩展图像矩阵,为2,3,5的倍数时运算速度快
int m = getOptimalDFTSize(input_image.rows);
int n = getOptimalDFTSize(input_image.cols);
copyMakeBorder(input_image, input_image, 0, m - input_image.rows, 0, n - input_image.cols, BORDER_CONSTANT, Scalar::all(0));
//2.创建一个双通道矩阵planes,用来储存复数的实部与虚部
Mat planes[] = { Mat_<float>(input_image), Mat::zeros(input_image.size(), CV_32F) };
//3.从多个单通道数组中创建一个多通道数组:transform_image。函数Merge将几个数组合并为一个多通道阵列,即输出数组的每个元素将是输入数组元素的级联
merge(planes, 2, transform_image);
//4.进行傅立叶变换
dft(transform_image, transform_image);
//5.计算复数的幅值,保存在output_image(频谱图)
split(transform_image, planes); // 将双通道分为两个单通道,一个表示实部,一个表示虚部
Mat transform_image_real = planes[0];
Mat transform_image_imag = planes[1];
magnitude(planes[0], planes[1], output_image); //计算复数的幅值,保存在output_image(频谱图)
//6.前面得到的频谱图数级过大,不好显示,因此转换
output_image += Scalar(1); // 取对数前将所有的像素都加1,防止log0
log(output_image, output_image); // 取对数
normalize(output_image, output_image, 0, 1, NORM_MINMAX); //归一化
//7.剪切和重分布幅度图像限
output_image = output_image(Rect(0, 0, output_image.cols & -2, output_image.rows & -2));
// 重新排列傅里叶图像中的象限,使原点位于图像中心
int cx = output_image.cols / 2;
int cy = output_image.rows / 2;
Mat q0(output_image, Rect(0, 0, cx, cy)); // 左上区域
Mat q1(output_image, Rect(cx, 0, cx, cy)); // 右上区域
Mat q2(output_image, Rect(0, cy, cx, cy)); // 左下区域
Mat q3(output_image, Rect(cx, cy, cx, cy)); // 右下区域
//交换象限中心化
Mat tmp;
q0.copyTo(tmp); q3.copyTo(q0); tmp.copyTo(q3);//左上与右下进行交换
q1.copyTo(tmp); q2.copyTo(q1); tmp.copyTo(q2);//右上与左下进行交换
Mat q00(transform_image_real, Rect(0, 0, cx, cy)); // 左上区域
Mat q01(transform_image_real, Rect(cx, 0, cx, cy)); // 右上区域
Mat q02(transform_image_real, Rect(0, cy, cx, cy)); // 左下区域
Mat q03(transform_image_real, Rect(cx, cy, cx, cy)); // 右下区域
q00.copyTo(tmp); q03.copyTo(q00); tmp.copyTo(q03);//左上与右下进行交换
q01.copyTo(tmp); q02.copyTo(q01); tmp.copyTo(q02);//右上与左下进行交换
Mat q10(transform_image_imag, Rect(0, 0, cx, cy)); // 左上区域
Mat q11(transform_image_imag, Rect(cx, 0, cx, cy)); // 右上区域
Mat q12(transform_image_imag, Rect(0, cy, cx, cy)); // 左下区域
Mat q13(transform_image_imag, Rect(cx, cy, cx, cy)); // 右下区域
q10.copyTo(tmp); q13.copyTo(q10); tmp.copyTo(q13);//左上与右下进行交换
q11.copyTo(tmp); q12.copyTo(q11); tmp.copyTo(q12);//右上与左下进行交换
planes[0] = transform_image_real;
planes[1] = transform_image_imag;
merge(planes, 2, transform_image);//将傅里叶变换结果中心化
}
结果:
三、说明
理想低通滤波会导致振铃效应,高斯低通滤波则没有。但是高斯低通滤波不好控制低与高频的过度部分。巴特沃斯低通滤波器可以通过调整系数进行控制。