十一、图像傅里叶变换

最新推荐文章于 2023-03-19 10:15:10 发布
最新推荐文章于 2023-03-19 10:15:10 发布
阅读量339 收藏 2
点赞数
分类专栏： # OpenCV图像处理
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/s294878304/article/details/103192636
版权

目录

一、傅里叶变换

二、Numpy实现傅里叶变换

1、实现傅里叶变换

代码

2、实现傅里叶的逆变换

代码

三、OpenCV 实现傅里叶变换

1、实现傅里叶变换

代码

2、实现傅里叶逆变换

代码

四、高通滤波和低通滤波

1、高通滤波和低通滤波概述

2、Numpy 实现高通滤波

3、OpenCV 实现低通滤波

一、傅里叶变换

原理可以参考：傅里叶分析之掐死教程（完整版）

任何连续周期信号，都可以用适当的一组正弦曲线组合而成

相位：

不是同时开始的一组余弦函数，在叠加时要体现开始时间

二、Numpy实现傅里叶变换

1、实现傅里叶变换

实现将低频移动到整个频谱中心

 

重新设置傅里叶变换返回复数数组的取值范围，重新映射

代码

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np

def show_img(name="test",img=None):
    plt.figure()
    channel = img.shape
    if channel == 3:
        b, g, r = cv2.split(img)
        img = cv2.merge([r, g, b])
    plt.imshow(img)
    plt.title(name)
    plt.show()


if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)

    # 对图像进行傅里叶变换
    f = np.fft.fft2(gray)
    # 将低频移动到中心
    fshift = np.fft.fftshift(f)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    result = 20 * np.log(np.abs(fshift))

    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(result,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

2、实现傅里叶的逆变换

使用傅里叶变换得到图像的低频和高频，

对低频（图像的细节）处理（保留、舍弃或其他），可以模糊图像等

对高频进行处理（）保留、舍弃或其他），可以保留图像边界等


将低频移动到左上角

代码

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np

def show_img(name="test",img=None):
    plt.figure()
    channel = img.shape
    if channel == 3:
        b, g, r = cv2.split(img)
        img = cv2.merge([r, g, b])
    plt.imshow(img)
    plt.title(name)
    plt.show()


if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)
    """实现傅里叶变换"""
    # 对图像进行傅里叶变换
    f = np.fft.fft2(gray)
    # 将低频从左上角移动到中心
    fshift = np.fft.fftshift(f)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    # result = 20 * np.log(np.abs(fshift))

    """实现逆傅里叶变换"""
    # 将低频从中心移动到左上角
    ishift = np.fft.ifftshift(fshift)
    # 返回一个复数数组
    iimg = np.fft.ifft2(ishift)
    # 将上述复数数组重置区间到[0,255],便于图像显示
    iimg = np.abs(iimg)

    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(iimg,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

三、OpenCV 实现傅里叶变换

1、实现傅里叶变换

代码

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np

if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)
    """实现傅里叶变换"""
    # 对图像进行傅里叶变换
    dft = cv2.dft(np.float32(gray),flags=cv2.DFT_COMPLEX_OUTPUT)
    # 将低频从左上角移动到中心
    dshift = np.fft.fftshift(dft)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    result = 20 * np.log(cv2.magnitude(dshift[:,:,0],dshift[:,:,1]))
    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(result,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

 

2、实现傅里叶逆变换

代码

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np


if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)
    """实现傅里叶变换"""
    # 对图像进行傅里叶变换
    dft = cv2.dft(np.float32(gray),flags=cv2.DFT_COMPLEX_OUTPUT)
    # 将低频从左上角移动到中心
    dshift = np.fft.fftshift(dft)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    # result = 20 * np.log(cv2.magnitude(dshift[:,:,0],dshift[:,:,1]))


    """实现逆傅里叶变换"""
    # 将低频从中心移动到左上角
    ishift = np.fft.ifftshift(dshift)
    # 返回一个复数数组
    iimg = cv2.idft(ishift)
    # 将上述复数数组重置区间到[0,255],便于图像显示
    iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1])

    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(iimg,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

四、高通滤波和低通滤波

1、高通滤波和低通滤波概述

高通滤波器

  • 高通滤波器（HPF）是检测图像的某个区域，然后根据像素与周围像素的亮度差值来提升像素的亮度。

  • 用于：边缘提取与增强。

  • 注意：通过高通滤波器进行滤波后，再和原图像叠加，可以增强图像中灰度级变化较快的部分，即锐化。

低通滤波器

  • 低通滤波器是像素与周围像素的亮度差值小于一个特定值时，平滑该像素的亮度。

  • 用于：去噪和模糊化。

  • 注意：低通滤波器容许低频信号通过，但减弱频率高于截止频率的信号的通过。

2、Numpy 实现高通滤波

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np

if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)
    """实现傅里叶变换"""
    # 对图像进行傅里叶变换
    f = np.fft.fft2(gray)
    # 将低频从左上角移动到中心
    fshift = np.fft.fftshift(f)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    # result = 20 * np.log(np.abs(fshift))

    """高通滤波"""
    # 得到边缘图像
    rows,cols = gray.shape
    # 取图像中心点
    row_mid,col_mid = int(rows / 2), int(cols / 2)
    # 去掉低频区域
    fshift[row_mid-30:row_mid+30,col_mid-30:col_mid+30] = 0

    """实现逆傅里叶变换"""
    # 将低频从中心移动到左上角
    ishift = np.fft.ifftshift(fshift)
    # 返回一个复数数组
    iimg = np.fft.ifft2(ishift)
    # 将上述复数数组重置区间到[0,255],便于图像显示
    iimg = np.abs(iimg)

    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(iimg,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

3、OpenCV 实现低通滤波

调节掩膜区域的大小可以得到不同模糊程度的图像，越大则越清晰，越小则越模糊。

# encoding: utf-8
import cv2
import matplotlib.pyplot as plt
import numpy as np

if __name__ == '__main__':
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret,binary = cv2.threshold(gray,127,255,0)
    """实现傅里叶变换"""
    # 对图像进行傅里叶变换
    dft = cv2.dft(np.float32(gray),flags=cv2.DFT_COMPLEX_OUTPUT)
    # 将低频从左上角移动到中心
    dshift = np.fft.fftshift(dft)
    # 重置 区间,映射到[0,255]之间，以便使用图像显示
    # result = 20 * np.log(cv2.magnitude(dshift[:,:,0],dshift[:,:,1]))

    """低通滤波"""
    rows,cols = gray.shape
    # 取图像中心点
    row_mid,col_mid = int(rows / 2), int(cols / 2)
    # 构造掩膜图像
    mask = np.zeros((rows,cols,2),np.uint8)

    # 去掉低频区域
    mask[row_mid-30:row_mid+30,col_mid-30:col_mid+30] = 1
    # 将频谱图像和掩膜相乘,保留低频部分，高频部分变成0
    md = dshift * mask

    """实现逆傅里叶变换"""
    # 将低频从中心移动到左上角
    imd = np.fft.ifftshift(md)
    # 返回一个复数数组
    iimg = cv2.idft(imd)
    # 将上述复数数组重置区间到[0,255],便于图像显示
    iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1])

    # 原始灰度图
    plt.subplot(1,2,1 ),plt.imshow(gray,'gray'),plt.axis('off'),plt.title('original')
    # 频谱图像
    plt.subplot(1,2,2),plt.imshow(iimg,'gray'),plt.axis('off'),plt.title('result')
    plt.show()

 

嘻哈吼嘿呵
关注
专栏目录
图像的傅里叶变换
jieyannn的博客
07-21 352
2D傅里叶变换和性质 频率域滤波基础 傅里叶变换及其反变换是线性处理 低频——图像中变化缓慢的灰度分量 高频——图像中变化急剧的灰度分量，例如边缘和噪声 频率域滤波过程：修改图像的傅里叶变换，再计算IDFT返回到图像域 低通滤波器——衰减高频，通过低频，用于模糊一幅图像 高通滤波器——通过高频，衰减低频，用于增强尖锐的细节，但将导致图像对比度的降低 频域滤波器平滑图像 ILPF 缺点：模糊和振铃特性。ILPF相应的空域滤波器具有sinc函数形状，sinc函数的中心波瓣是引起模糊的主因，而外.
图像傅里叶变换
热门推荐
Rachel Zhang的专栏
06-01 19万+
冈萨雷斯版里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样, 傅立叶变换使我们能通过频率成分来分析一个函数。 Fourier theory讲的就是：任何信号（如图像信号）都可以表示成
图像处理之图像傅里叶变换
qq_44111805的博客
08-21 3万+
傅里叶变换是在以时间为自变量的“信号”与频率为自变量的“频谱”函数之间的某域研究中较复杂的问题在频域中变得简单起来，从而简化其分析过程；当自变量“时间”或“频率”为连续形式和离散形式的不同组合时，就可以形成各种不同的傅里叶变换对，即“信号”与“频谱”的对应关系。即傅里叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅里叶逆变换是将图像的频率分布函数变换为灰度分布函数。函数fft()和fft2()的关系为fft2(X)=fft(fft(X).‘).’。，坐标原点是低频，向外是高频。
图像处理:傅里叶变换
最新发布
forfuture3513的博客
03-19 3823
图像处理：傅里叶变换
数字图像处理实验二 图像傅里叶变换 实验报告 附代码 结果 数据
12-16
实验报告——数字图像处理：图像傅里叶变换 在图像处理领域，傅里叶变换是一种重要的工具，它能够将图像从空间域转换到频域，从而揭示图像的频率特性。本实验旨在深入理解图像频域处理的意义，掌握二维傅里叶变换的...
图像傅里叶变换,qt图像傅里叶变换,matlab
09-10
本文将详细探讨二维傅立叶变换及其在Matlab中的实现，同时也会涉及制造Py7库和ifft2函数的相关知识。 首先，傅立叶变换是一种将信号从时域（或空间域）转换到频域的方法。对于图像，二维傅里叶变换（2D FFT）可以...
图像的傅立叶变换_park2zn_图像傅里叶变换_
09-29
**图像的傅立叶变换** 图像的傅立叶变换是一种重要的数学工具，广泛应用于图像处理领域，用于分析图像的频率成分。它将图像从空间域转换到频域，揭示了图像在不同频率上的强度分布。傅立叶变换的理论基础源于傅立叶...
matlab 实现图像傅里叶变换 程序源码.zip
02-04
资源名：matlab 实现图像傅里叶变换 程序源码.zip 资源类型：程序源代码 源码说明： 基于matlab 实现的图像傅里叶变换 程序 包含完整代码 非常适合借鉴学习 适合人群：新手及有一定经验的开发人员
最详细的图像傅里叶变换
牵LV小猪精的博客
05-04 4万+
图像傅里叶变换的理解1. 傅里叶变换理论层面理解2. 常见频谱图3. 傅里叶变换在图像中的应用 1. 傅里叶变换理论层面理解 数学意义:傅里叶变换将一个任意的周期函数分解成为无穷个正弦函数的和的形式 物理效果:傅里叶变换实现了将信号从空间域到频率域的转换 信号分析: 一维傅里叶变换（将杂乱的信号由时域转化到频域中）一维傅里叶变化是将信号分解为正弦波的和的形式 时域 横轴是时间,纵轴是振幅 频域 横轴是频率,纵轴是振幅 对一个信号做时域到频域的变换，能够清除看到该信号主要由两个正弦波以及一些噪声混合，如下
图像傅里叶变换--OpenCV
qq_54517101的博客
11-29 8955
傅里叶变换 傅里叶变换主要是将时间域上的信号转变为频率域上的信号，用来进行图像降噪，图像增强等处理。 对于数字图像这种离散的信号，频率大小表示信号变换的剧烈程度或者说信号变化的快慢。频率越大，变换越剧烈，频率越小，信号越平缓，对应到的图像中，高频信号往往是图像中的边缘信号和噪声信号，而低频信号包含图像变化频繁的图像轮廓及背景灯信号。 故傅里叶变换的结果图像中，中心的图像表示低频信号，边缘的图像代表高频图像，需要注意的是，原图像和傅里叶变换结果的图像不是一一对应的。 dft ...
图像处理之傅里叶变换
一叶_障目
01-19 4083
1. 图像傅里叶变换 clc, clear, close all; Image = imread('peppers.jpg'); grayI = rgb2gray(Image); DETI1 = fft2(grayI); ADETI1 = abs(DETI1); top = max(ADETI1(:)); bottom = min(ADETI1(:)); ADETI1 = (ADETI1 - bottom)/(top - bottom) * 100; ADETI2 = fftshift(ADETI1);
图像处理（5）--图像的傅里叶变换
ShaneHolmes
07-06 9万+
文章目录结构1. 傅里叶变换及其反变换1.1 为什么要在频率域研究图像增强？1.2 傅里叶变换 1. 傅里叶变换及其反变换 1.1 为什么要在频率域研究图像增强？ 可以利用频率成分和图像外表之间的对应关系。一些在空间域表述困难的增强任务，在频率域中变得非常普通 滤波在频率域更为直观，它可以解释空间域滤波的某些性质 可以在频率域指定滤波器，做反变换，然后在空间域使用结果滤波器作为空间域滤波器的指...
图像的傅里叶变换的频谱特征 三（平移，旋转，相位的重要性）
cherishlicoolboy的博客
11-29 9375
图像傅里叶变换的频谱特征 三   6，平移和旋转 图像的平移并不会影响图像的频谱，同时，图像的相位会随着图像的旋转而旋转。   Part I 平移和旋转对频谱的影响 下面我用矩形的频谱图来说明图像中矩形的平移并不会对频谱有丝毫的影响。   Matlab代码：   clear allclose all%% Author: J27% Jesus love y...
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