文章目录
前言
一、傅里叶级数及傅里叶变换
二、二维图像中的傅里叶变换
1.基本原理公式(离散傅里叶变换(DFT),离散傅里叶逆变换(IDFT))
2.opencv傅里叶变换c++代码
3.频谱图
前言
数字图像处理c++ opencv(VS2019 opencv4.53)持续更新
一、傅里叶级数及傅里叶变换
傅立叶变换如何理解?美颜和变声都是什么原理?李永乐老师告诉你
【官方双语】形象展示傅里叶变换
二、二维图像中的傅里叶变换
1.基本原理公式(离散傅里叶变换(DFT),离散傅里叶逆变换(IDFT))
(1)一维离散傅里叶变换:
一维离散傅里叶逆变换:
(2)二维离散傅里叶变换:
二维离散傅里叶逆变换:
2.opencv傅里叶变换c++代码
参考:
1
2
#include<iostream>
#include<opencv2/opencv.hpp>
#include<cmath>
using namespace cv;
using namespace std;
//定义傅里叶变换函数。input_image:输入图像;output_image:傅里叶频谱图;transform_array:傅里叶变换矩阵(复数)
void My_DFT(Mat input_image, Mat& output_image, Mat& transform_array);
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
//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);
waitKey(0); //暂停,保持图像显示,等待按键结束
return 0;
}
//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
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
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
结果:
3.频谱图
(1)频谱图从中心点到四周,频率越来越大;
(2)频谱图中心点一般最亮,与原图像平均亮度相关;
(3)频率域滤波就是改变频谱图中高频率或者低频率的值.
(4)频谱图中的点关于中心点对称,对称的两点表示某个频率的波。
(5)两个对称点离中心点的距离代表频率的高低,离中心点越远代表的频率越高。
(6)两个对称点的亮度表示波的幅值,越亮幅值越大。
(7)图像中,低频率代表灰度变化缓慢的信息;高频率代表变化剧烈的信息,如边缘及噪声等。在(6)中,低频区越亮代表变化缓慢的区域较多,高频区越亮代表图像细节很多。
(8)对称点所在直线的方向为波的方向,与原图中对应的线性信息垂直。如下图,图中有一组平行的线,在频谱图垂直方向也有一条较亮的线(可用于方向滤波,增强或者滤除某个方向的线性特征)。
文章知识点与官方知识档案匹配,可进一步学习相关知识
————————————————
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。
原文链接:https://blog.csdn.net/qq_44785013/article/details/121473776