图像处理之频率域应用案例（C++）

已于 2024-04-12 16:40:50 修改
阅读量520 收藏 4
点赞数 6
分类专栏： 图像处理（C++/opencv） 文章标签： 图像处理 c++ 计算机视觉
于 2024-04-12 16:37:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45045175/article/details/137670361
版权

图像处理之频率域应用案例（C++）

文章目录

前言

本文主要介绍几个比较典型的图像从空间域转换到频率域的案例。

一、原理

频率特征是图像的灰度变化特征。一个重要的经验结论：低频代表图像整体轮廓，高频代表了图像噪声，中频代表图像边缘、纹理等细节。因此，我们可以设计不同的滤波器对频率域图像进行滤波，从而实现我们想获得的频率特征。
注意：
1.在做傅里叶变换(FFT)时，通常只使用灰度图像数据，所以需要将彩色图像数据转换为灰度图像数据。同时灰度图像数据作为傅里叶变换复数单元的实数部分，虚数部分直接将值设置为0即可。
2.变换到频域后的数据，低频中心(直流分量)分散在uv坐标系图像的四个角落上，为了方便后续频域处理，通常需要将低频中心位置偏移到uv坐标系图像的中心，需要做一个位置变换处理，然后进行频域滤波，滤波完成再将低频中心重新偏移到四个角落上做IFFT变换。

二、代码实现

1.案例介绍

在复杂背景却又有一些纹理背景中，想要检测出缺陷（位于中心处），在空间域可能比较难以直接检测，可以转换到频率域，设计相应的滤波器，最后再转换到空间域进行后处理。
复杂背景的缺陷识别

2.代码实现

#include <iostream>
#include <opencv.hpp>
using namespace std;

class Filter
{
public:
	Filter(){ }
	virtual cv::Mat getFilter()=0;	//获得不同的滤波器矩阵
	virtual ~Filter() { }
};

class idealLowPassFilter :public Filter	//理想低通滤波器
{
	int h, w;
	double D0;
public:
	idealLowPassFilter(int H, int W, double d0) : h(H), w(W), D0(d0)
	{
		
	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for(int i=0;i<h;i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				if (D > D0 * D0)
					filter.at<float>(i, j) = 0;
				else
					filter.at<float>(i, j) = 1;
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

class idealHighPassFilter :public Filter	//理想高通滤波器
{
	int h, w;
	double D0;
public:
	idealHighPassFilter(int H, int W, double d0) : h(H), w(W), D0(d0)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				if (D > D0 * D0)
					filter.at<float>(i, j) = 1;
				else
					filter.at<float>(i, j) = 0;
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

class GaussLowPassFilter :public Filter	//高斯低通滤波器
{
	int h, w;
	double D0;
public:
	GaussLowPassFilter(int H, int W, double d0) :h(H), w(W), D0(d0)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				filter.at<float>(i, j) = exp(-1 * D / (2 * D0 * D0));
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

class GaussHighPassFilter :public Filter	//高斯高通滤波器
{
	int h, w;
	double D0;
public:
	GaussHighPassFilter(int H, int W, double d0) :h(H), w(W), D0(d0)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				filter.at<float>(i, j) = 1-exp(-1*D/(2*D0*D0));
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};



class ButterworthLowPassFilter :public Filter	//巴特沃斯低通滤波器
{
	int h, w;
	double D0;	//截止频率
	int n;		//阶数
public:
	ButterworthLowPassFilter(int H, int W, double d0, int N):h(H),w(W),D0(d0), n(N)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				filter.at<float>(i, j) = 1/(pow(D / (D0 * D0),n)+1);
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

class ButterworthHighPassFilter :public Filter	//巴特沃斯高通滤波器
{
	int h, w;
	double D0;	//截止频率
	int n;		//阶数
public:
	ButterworthHighPassFilter(int H, int W, double d0,int N) :h(H), w(W), D0(d0),n(N)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				filter.at<float>(i, j) = 1 / (pow((D0 * D0)/D, n) + 1);
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

//自定义滤波器
class myPassFilter :public Filter	//理想高通滤波器
{
	int h, w;
	double D0;
public:
	myPassFilter(int H, int W, double d0) : h(H), w(W), D0(d0)
	{

	}
	//h,w--为图像的长宽、D0为带通半径
	cv::Mat getFilter()
	{
		//1. 计算频谱中心
		int cx = w / 2;
		int cy = h / 2;

		//2. 构建滤波器
		cv::Mat filter(cv::Size(w, h), CV_32FC1);
		for (int i = 0; i < h; i++)
			for (int j = 0; j < w; j++)
			{
				double D = pow(i - cy, 2) + pow(j - cx, 2);
				if (D > D0 * D0)
					filter.at<float>(i, j) = 1;
				else
					filter.at<float>(i, j) = 0.5;
			}

		//3. 中心化
		cv::Mat temp = filter.clone();
		temp(cv::Rect(0, 0, cx, cy)).copyTo(filter(cv::Rect(cx, cy, cx, cy)));//左上到右下
		temp(cv::Rect(0, cy, cx, cy)).copyTo(filter(cv::Rect(cx, 0, cx, cy)));//左下到右上
		temp(cv::Rect(cx, 0, cx, cy)).copyTo(filter(cv::Rect(0, cy, cx, cy)));//右上到左下
		temp(cv::Rect(cx, cy, cx, cy)).copyTo(filter(cv::Rect(0, 0, cx, cy)));//右下到左上
		return filter;
	}
};

/*
* @param cv::Mat src	输入图片,单通道灰度图像
* @param cv::Mat dst	输出图片
* @brief 空间域转换到频率域,进行频率域的滤波，然后再返回空间域分析变化
*/
void Spatial2Frequency(const cv::Mat& src, cv::Mat& dst)
{
	//1. 获得dft的最优尺寸
	int h = cv::getOptimalDFTSize(src.rows);
	int w = cv::getOptimalDFTSize(src.cols);

	//2. 对图像进行填充
	cv::Mat padImg;
	cv::copyMakeBorder(src, padImg, 0, h - src.rows, 0, w - src.cols, cv::BORDER_CONSTANT, cv::Scalar(0));

	//3. 创建矩阵存储实数和虚数
	cv::Mat planes[] = { cv::Mat_<float>(padImg),cv::Mat::zeros(padImg.size(),CV_32FC1) };
	cv::Mat dftImg;
	cv::merge(planes, 2, dftImg);

	//4. 执行傅里叶变换，转换到频率域
	cv::dft(dftImg, dftImg);

	//5. 构建不同的滤波器
	double D0 = 10;	//带宽
	//要获得不同的滤波器，只需要修改此处的类即可。
	//Filter* filter = new idealLowPassFilter(h,w,D0);		//理想低通滤波器
	//Filter* filter = new idealHighPassFilter(h,w,D0);		//理想高通滤波器
	//Filter* filter = new GaussLowPassFilter(h, w, D0);			//高斯低通滤波器
	//Filter* filter = new GaussHighPassFilter(h, w, D0);		//高斯高通滤波器
	//Filter* filter = new ButterworthLowPassFilter(h, w, D0,1);		//巴特沃斯低通滤波器
	//Filter* filter = new ButterworthHighPassFilter(h, w, D0, 1);		//巴特沃斯高通滤波器
	Filter* filter = new myPassFilter(h, w, D0);				//自定义滤波器

	cv::Mat PassFilter=filter->getFilter().clone();

	//6. 将滤波器放到一个两通道的Mat矩阵中
	cv::Mat filterPlanes[] = { cv::Mat_<float>(PassFilter),cv::Mat::zeros(PassFilter.size(),CV_32FC1) };
	cv::merge(filterPlanes, 2,PassFilter);

	//7. 相应的频谱进行滤波
	cv::mulSpectrums(dftImg, PassFilter, dftImg,0);

	//8. 反变换回空间域
	cv::Mat spatial;
	std::vector<cv::Mat> channels;
	cv::idft(dftImg, dftImg,cv::DFT_SCALE);
	cv::split(dftImg, channels);
	cv::magnitude(channels[0], channels[1], spatial);

	//9. 归一化
	cv::normalize(spatial, spatial, 0, 255, cv::NORM_MINMAX, CV_8UC1);

	spatial(cv::Rect(0, 0, src.cols, src.rows)).copyTo(dst);
	//cv::imshow("dst", dst);

	//释放指针
	delete filter;
}


/*
* @param cv::Mat src	输入图片,单通道灰度图像
* @param cv::Mat dst	输出图片,三通道的结果图像
* @brief 后处理函数
*/
void postProcess(cv::Mat& src, cv::Mat& dst)
{
	//通过观察图片，发现缺陷一半白，一半黑，采用阈值处理，然后膨胀再采用与操作，提取相同区域
	cv::Mat light, dark;
	cv::threshold(src, dark, 10, 255, cv::THRESH_BINARY_INV);
	cv::threshold(src, light, 230, 255, cv::THRESH_BINARY);
	cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(7, 7));
	cv::dilate(dark, dark, kernel);
	cv::dilate(light, light, kernel);
	cv::bitwise_and(light, dark, src);
	//cv::imshow("dst_1", src);

	//绘制轮廓
	std::vector<std::vector<cv::Point>> contours;
	std::vector<cv::Vec4i> hierarchy;
	cv::findContours(src, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
	for (int i = 0; i < contours.size(); i++)
	{
		cv::Rect rect = cv::boundingRect(contours[i]);
		cv::rectangle(dst, cv::Rect(rect.x, rect.y, 10, 10), cv::Scalar(0, 0, 255));
	}
}


int main()
{
	//读取图片
	string filepath = "F://work_study//algorithm_demo//hard_blob.bmp";
	cv::Mat src = cv::imread(filepath, cv::IMREAD_GRAYSCALE);
	if (src.empty())
	{
		std::cout << "imread error" << std::endl;
		return -1;
	}

	cv::Mat dst(src.size(), src.type());

	//空间域转换到频率域，设计滤波器进行处理，提取想要的特征
	Spatial2Frequency(src, dst);

	//可视化结果，将单通道灰度图转换为三通道彩色图像
	cv::cvtColor(src, src, cv::COLOR_GRAY2BGR);

	//后处理
	postProcess(dst, src);
	//显示图片
	imwrite("dst.bmp", dst);

	cv::waitKey(0);
	return 0;
}

3.结果展示

检测结果

总结

本文介绍了图像在频率域中的典型应用，并且对滤波器类进行了重构，方便后续读者根据自己的需要进行继承设计自己的滤波器，代码中已经实现了理想高/低通滤波器、高斯高/低通滤波器、巴特沃斯高/低通滤波器。
因为笔者水平有限，有错误欢迎指出，代码本人均在本地运行实验正确，大家放心使用。

小杜同学_
关注
  • 6
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】SLAM技术详解
qq_36130719的博客
10-09 1251
SLAM(Simultaneous Localization and Mapping)同步定位与地图构建,一种同时实现设备自身定位和环境地图构建的技术。原理是使用相机、激光雷达、惯性测量单元等传感器，来收集环境信息，然后用算法将这些信息融合起来，以确定设备在未知环境中的位置，并构建一张环境地图。用眼睛观察周围地标如建筑、大树、花坛等，并记住他们的特征（特征提取）在自己的脑海中，根据双目获得的信息，把特征地标在三维地图中重建出来（三维重建）
C++使用OpenCV封装计算SFR
qq_31629063的博客
10-24 2477
c++使用opencv计算sfr,并生成mtf曲线
图像处理之频率域与空间域转换（C++）
最新发布
qq_45045175的博客
04-11 711
基于opencv库中傅里叶变换实现了图像在空间域和频率域的相互转化，后续更新转换到频率域的应用。
opencv显示图像的傅里叶谱图像(频谱)源代码详解
生命在于折腾！
08-02 9901
1. 频率域 通过傅里叶变换连接空间域和频率域，其是频率域滤波的基础。这里将结合opencv中的sample文档（\source\sample目录下的dft.cpp），对一副灰度图像进行傅里叶变换，并显示其傅里叶谱图像。 2. 傅里叶谱显示 #include #include int main(void) { //加载一副灰度图像 cv::Mat src=cv::imrea
OpenCV_10 傅里叶变换：频域滤波+CV的应用
justin18chan的博客
11-19 934
傅里叶变换是信号的分析方法，目的就是要简化问题，而不是将其变复杂，傅里叶选择了正弦波，而没有选择其他波形，是因为正弦波有任何其他波形不具有的特点：正弦波输入至任何线性系统中，不会产生新的频率成分，输出的仍是正弦波，改变的仅仅是幅值和相位。用单位幅值的不同频率的正弦波输入至某线性系统，记录其输出正弦波的幅值和频率的关系，就得到该系统的幅频特性，记录输出正弦波的相位和频率的关系，就得到该系统的相频特性。从该频谱图中可以清楚的看到，主要包括3，5，7，9次谐波，我们就可以对原信号进行描述。
Matlab对灰度图像的频域进行高通滤波和低通滤波
热门推荐
一只博客
12-07 1万+
1. 要求 对灰度图像进行离散傅里叶变换（Discrete Fourier Transfom, DFT）变换，在频域上分别使用理想的高通和低通滤波器进行滤波，显示滤波后的频域图像，以及逆离散傅里叶变换（Inverse Discrete Fourier Transfom, IDFT）变换后的空域图像，观察振铃现象。 2. 读取灰度图像 这里读取matlab自带的“摄影师”灰度图像 %% 读取图像 x = imread('cameraman.tif'); figure, imshow(x), titl
数字图像处理作业：灰度图像的频域滤波器 灰度图像的离散余弦变换
ysh的博客
12-18 2217
实验二：数字图像频域增强实验 作业一：灰度图像的频域滤波器 问题1 对灰度图像进行DFT变换，在频域上分别使用理想的高通和低通滤波器进行滤波，显示滤波后的频域图像，以及IDFT变换后的空域图像，观察振铃现象。要求实验采用两种不同的截止频率。 DFT变换-傅里叶变换(高低通滤波) import numpy as np import cv2 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # 使图形中的中文
MATLAB图像的频域低通滤波（灰度图像滤波+彩色图像滤波）
m0_60004633的博客
03-29 3344
MATLAB图像的频域低通滤波（灰度图像滤波+彩色图像滤波）
数字图像处理（图像灰度变换、图像直方图及均衡、图像中值滤波、图像空域锐化增强、图像频域滤波）
m0_66360845的博客
01-06 650
本学期学习了数字图像处理课程，在此文章中记录一下自己做过的5个实验，所有结果已写入文章中，希望对各位小伙伴有所帮助。
05-VTK在图像处理中的应用(9)
东灵工作室
01-31 9308
5.14 图像频域处理 在图像处理和分析中，经常会将图像从图像空间转换到其他空间中，并利用这些空间的特点进行对转换后图像进行分析处理，然后再将处理后的图像转换到图像空间中，这称之为图像变换。在一些图像处理和分析中通过空间变换往往会取得更有效的结果。图像频域处理是指将图像从图像空间转换到频域空间进行处理的过程。最常用的频域转换是傅里叶变换。对于傅里叶变换的理论内容不是这里讨论的重点，读者可以从网上
灰度图像的频域滤波：灰度图像频域滤波器的简单Matlab实现-matlab开发
05-30
灰度图像上频域滤波器的简单 Matlab 实现，包括 1. 高斯低通滤波器2. 巴特沃斯低通滤波器3. 高斯高通滤波器4. 巴特沃斯高通滤波器5. 使用高斯高通的高升压滤波器6. 使用巴特沃斯高通的高升压滤波器
精通Visual C++ 数字图像处理技术与工程案例
05-27
本书首先介绍数字图像处理的各种基本技术，然后介绍了数字图像处理的一些基本应用，如滚动图片、滚动文字以及小波处理等，最后通过9个综合案例全面展示数字图像处理的综合应用，基本上涵盖了当前的热点问题，
Visual C++数字图像处理技术详解.zip
06-19
Visual C++数字图像处理技术详解 附带的程序例子
数字图像处理：C/C++之BMP图像读写
11-01
数字图像处理实验之C++读写BMP图像
基于c++的数字图像处理毕业设计
09-07
目前数字图像处理的应用越来越广泛，已经渗透到工业、航空航天、 军事等各个领域，在国民经济中发挥越来越大的作用。 作为数字图像处理的一个重要部分，本文介绍的工作是如何用 Visual C++编程工具设 计一个完整的...
数字图像处理.rar_C++图像处理_vc++_何斌_图像处理_谢凤英
07-15
Visual C++数字图像处理（第二版）光盘 Visual C++数字图像处理（何斌） 光盘 Visual+C++数字图像处理-谢凤英-源代码 数字图像处理与机器视觉 源代码
OpenCV [c++]（图像处理基础示例程序汇总）
NCUTer
06-25 7434
目录一、图像读取与显示二、图像预处理[高斯滤波、canny边缘检测、膨胀腐蚀]Canny边缘检测三、图像裁剪 四、绘制形状和添加文本 五、透视投影变换矫正 六、颜色检测 七、形状检测和轮廓检测[findContours(),approxPolyDP()] 八、人脸识别九、虚拟画笔作画十、文档扫描 十一.车牌区域级联检测定位opencv与VS环境配置参考我的另一篇文章：vs2019 + opencv4.3.0 开发环境配置（后续更新QT与OpenCV配置）_NCUTer的博客-CSDN博客 wait
目标检测YOLO实战应用案例100讲-基于印刷缺陷检测的嵌入式图像处理(续)
qq_36130719的博客
01-23 145
1）硬件资源本设计是基于嵌入式硬件平台为Xilinx推出的异构可扩展处理平台：ZYNQ-7000 SoC(System-on-Chip,片上系统)系列，芯片型号为XC7Z020CLG400-2(简称ZYNQ 7020), 该硬件平台的PS端采用了双核ARM Cortex-A9处理器，而PL端则使用了可编程逻辑 门阵列FPGA。这个系统最大的优点在于，它能够在嵌入式平台有限的资源和空间下， 兼具ARM处理器高效任务调度和FPGA硬件平台并行计算的能力。
伪彩色算法频率域方法c++编程实现
05-26
伪彩色算法是一种将灰度图像转换为彩色图像的方法，其中频率域方法是一种使用频率域滤波器来增强图像对比度的方法，可以用于伪彩色处理。以下是C++实现频率域伪彩色算法的基本步骤： 1. 加载灰度图像 2. 对图像进行傅里叶变换 3. 设计一个频率域滤波器，例如高斯滤波器、带通滤波器等 4. 将滤波器应用于傅里叶变换后的图像 5. 对处理后的图像进行反傅里叶变换得到彩色图像 下面是一份示例代码，演示了如何使用OpenCV库实现基于频率域滤波器的伪彩色算法。 ```c++ #include <opencv2/opencv.hpp> #include <cmath> using namespace cv; using namespace std; int main(int argc, char** argv) { // Load grayscale image Mat gray = imread("lena.jpg", IMREAD_GRAYSCALE); // Get optimal DFT size int dftSize = getOptimalDFTSize(gray.rows); // Add zero padding to image Mat padded; copyMakeBorder(gray, padded, 0, dftSize - gray.rows, 0, dftSize - gray.cols, BORDER_CONSTANT, Scalar::all(0)); // Create complex matrix for DFT Mat complexI; padded.convertTo(complexI, CV_32FC1); Mat planes[] = { Mat_<float>(complexI), Mat::zeros(complexI.size(), CV_32FC1) }; Mat complexImg; merge(planes, 2, complexImg); // Perform DFT dft(complexImg, complexImg); // Create filter Mat filter = Mat::zeros(dftSize, dftSize, CV_32FC1); float cx = dftSize / 2; float cy = dftSize / 2; float radius = dftSize / 4; for (int i = 0; i < dftSize; i++) { for (int j = 0; j < dftSize; j++) { float distance = sqrt(pow(i - cx, 2) + pow(j - cy, 2)); if (distance <= radius) { filter.at<float>(i, j) = 1; } } } // Apply filter Mat planes2[] = { Mat::zeros(complexImg.size(), CV_32FC1), Mat::zeros(complexImg.size(), CV_32FC1) }; split(complexImg, planes2); multiply(planes2[0], filter, planes2[0]); multiply(planes2[1], filter, planes2[1]); merge(planes2, 2, complexImg); // Perform inverse DFT Mat invDFT; dft(complexImg, invDFT, DFT_INVERSE | DFT_REAL_OUTPUT); // Convert to 8-bit color image Mat result; invDFT.convertTo(result, CV_8UC1); // Apply color map Mat colorMap; applyColorMap(result, colorMap, COLORMAP_JET); // Display images imshow("Grayscale", gray); imshow("Result", result); imshow("Color Map", colorMap); waitKey(0); return 0; } ``` 在这个示例中，我们首先加载了一张灰度图像，然后对图像进行了傅里叶变换，并设计了一个频率域滤波器。我们将滤波器应用于傅里叶变换后的图像，然后对处理后的图像进行反傅里叶变换得到彩色图像。最后，我们使用OpenCV库的applyColorMap函数将图像转换为伪彩色图像。 在实际使用中，您可能需要根据具体应用场景调整滤波器参数和颜色映射。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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