傅里叶变换是一种将信号从时域转换到频域的数学方法,时常作用在图像领域。
python中的傅里叶变换主要有两种——numpy与cv2。
首先讲解numpy中的实现方式:
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读入图像
img_org = cv2.imread('dog.jpeg',0)
# 进行傅里叶变换并将低频区移至中心
img_fft_shift = np.fft.fftshift(np.fft.fft2(img_org) )
# 将像素点限制在一定区域内,便于可视化显示(防止像素点超过255无法正常显示)
img_trans = np.log(np.abs(img_fft_shift))
# 将值扩大到0-255之间
img_expand = int(255/np.max(img_trans))*img_trans
# 可视化
plt.figure(figsize=(8,10))
plt.subplot(121) ,plt.imshow(img_org, cmap = 'gray') ,plt.title('original')
plt.subplot(122) ,plt.imshow(img_expand, cmap = 'gray') ,plt.title('result')
plt.show()
运行结果:
第二种cv2中的实现方式:
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步读取图片
img = cv2.imread("dog.jpeg", 0)
# 第二步:转换float32形式
float32_img = np.array(img,dtype="float32")
# 第三步: 使用cv2.dft进行傅里叶变化
dft_img = cv2.dft(float32_img, flags=cv2.DFT_COMPLEX_OUTPUT)
# 第四步:将变化后图像的低频转移到中心位置
dft_img_ce = np.fft.fftshift(dft_img)
# 第五步:使用cv2.magnitude将实部和虚部转换为实部
img_dft = np.log(cv2.magnitude(dft_img_ce[:, :, 0], dft_img_ce[:, :, 1]))
# 第六步:将值映射到0-255之间
img_explot = int(255/np.max(img_dft))*img_dft
# 可视化
plt.figure(figsize=(8,10))
plt.subplot(121) ,plt.imshow(img, cmap = 'gray') ,plt.title('original')
plt.subplot(122) ,plt.imshow(img_explot, cmap = 'gray') ,plt.title('result')
plt.show()
运行结果: