OpenCV学习笔记6 OpenCV核心模块与核心功能Core Module & Core Functionality（五）

最新推荐文章于 2022-11-08 17:19:37 发布

Endless_91

最新推荐文章于 2022-11-08 17:19:37 发布

阅读量860

点赞数

分类专栏： opencv 文章标签：图像处理 opencv dft 离散傅里叶变换

本文链接：https://blog.csdn.net/u011375993/article/details/36388857

版权

opencv 专栏收录该内容

23 篇文章 2 订阅

订阅专栏

2.8 离散傅里叶变换

源代码，实现一幅图像的离散傅里叶变换：

#include "opencv2/core/core.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include <iostream>

using namespace cv;
using namespace std;
int main(int argc, char ** argv)
{
    const char* filename = argc >=2 ? argv[1] : "lena.jpg";

    Mat I = imread(filename, CV_LOAD_IMAGE_GRAYSCALE);
    if( I.empty())
        return -1;
    
    Mat padded;                            // 步骤1：将图像扩展到最佳尺寸
    int m = getOptimalDFTSize( I.rows );
    int n = getOptimalDFTSize( I.cols ); // 获得适合变换的最佳尺寸，这个尺寸比原图像尺寸稍大
	// 在需要添加像素的边缘补0
    copyMakeBorder(I, padded, 0, m - I.rows, 0, n - I.cols, BORDER_CONSTANT, Scalar::all(0));

	// 步骤2：为傅里叶变换的结果分配存储空间
	// 大小为2的Mat数组，一个存放扩展后的图像，一个存放全0，数据类型都是float
    Mat planes[] = {Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F)}; 
    Mat complexI;				// 存放合并结果
	 // 将数组中的两个Mat对象合并，合并结果的数据深度和类型同planes[0]，通道数为被合并对象通道数之和
    merge(planes, 2, complexI);        

    dft(complexI, complexI);            // 步骤3：傅里叶变换，变换到原图像中
	
    // 步骤4：计算幅度值 
    split(complexI, planes);                   // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))
    magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude  
    Mat magI = planes[0];
    // 步骤5：将幅度值缩放到对数尺度
    magI += Scalar::all(1);                  
    log(magI, magI);
	//步骤4+5 => log(1 + sqrt(Re(DFT(I))^2 + Im(DFT(I))^2))

    // 步骤6：裁剪
    magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2));

    // 步骤6：重排       
    int cx = magI.cols/2;
    int cy = magI.rows/2;
	// 为每一个象限创建一个Mat对象
    Mat q0(magI, Rect(0, 0, cx, cy));   // 左上
    Mat q1(magI, Rect(cx, 0, cx, cy));  // 右上
    Mat q2(magI, Rect(0, cy, cx, cy));  // 左下
    Mat q3(magI, Rect(cx, cy, cx, cy)); // 右下

    Mat tmp;							// 用于交换的临时Mat对象
    q0.copyTo(tmp);						// 左上同右下交换
    q3.copyTo(q0);
    tmp.copyTo(q3);

    q1.copyTo(tmp);                    // 右上同左下交换
    q2.copyTo(q1);
    tmp.copyTo(q2);

	// 归一化，归一化到 [0,1] 之间的浮点数
    normalize(magI, magI, 0, 1, CV_MINMAX); 

    imshow("Input Image"       , I   );    // 显示输入图像
    imshow("spectrum magnitude", magI);    // 显示频谱幅度图像
    waitKey();
    return 0;
}

代码解释：

对一副图像使用傅里叶变换就是把它分解成正弦和余弦部分。空间域--->频域。

理论基础：任意函数都可以表示成无数正弦和余弦函数的和的形式。

2维图像的福利叶变换公式：

f是空间域的值，F是经过傅里叶变换后频域的值。频域值F是复数（实数+虚数），因此变换后的图像需要两幅图像来分别保存实数图像（real image）和虚数图像（complex image）或者幅度图像（magitude image）和相位图像（phase image）。一般图像处理算法中只需要变换后的幅度图像，因为它包含了原图像几乎所有需要的几何结构信息。但是如果想要通过修改变换图像然后逆变换回原图像，就需要保留相位图像了。

对图像实施傅里叶变换的步骤如下：

1. 将图像扩展到最佳尺寸：原图像尺寸是2，3，5的整数倍时，傅里叶变换的计算速度最快。因此需要把原图像的尺寸作调整，在图像边缘添加一些像素来获得最佳尺寸。

2. 为傅里叶变换的结果（虚数和实数）预分配存储空间：傅里叶变换的结果是复数（虚数+实数），需要两个Mat 对象存储变换结果。另外频域值范围远大于空间值范围，因此将频域储存在 float 格式中。

3. 傅里叶变换：支持图像的原地运算（输入输出为同一幅图像）。

4. 将复数转换成幅度值：复数包含实数（Re）和虚数（Im）部分，傅里叶变换的结果是复数，对应的幅度计算方法是 幅度 = sqrt（虚数和实数的平方和）。

5.按对数尺度缩小值域：傅里叶变换结果的的幅度值范围太大，不适合在屏幕上显示。为了突出高低变化的连续性，用对数尺度替代线性尺度。 M = log（1+M）

6. 剪切和重排： 这一步中将第一步扩展图像时添加的像素剔除。然后为了方便显示，重新分布幅度图像的象限位置（把图像平均分成四块，每一块算一个象限，重新分布这四个子块使原图像的四个角点重叠到图像中心）。这样原点（0,0）就位于图像中心了。

7. 归一化：重排后的图像幅度值仍然可能超过 [0,1] 的范围，使用函数将幅度归一化到可显示范围。

想要进一步了解傅里叶变换，有一篇非常好的文章，值得一读：《错过这篇文章，可能你这辈子不懂什么叫傅里叶变换了》