Opencv-Python学习（五）

最新推荐文章于 2024-04-24 07:45:11 发布

装满水杯的水

最新推荐文章于 2024-04-24 07:45:11 发布

阅读量3.3k

点赞数

分类专栏： opencv 文章标签： python pycharm

本文链接：https://blog.csdn.net/wang_bin_fei/article/details/124177651

版权

opencv 专栏收录该内容

6 篇文章 3 订阅

订阅专栏

一、傅里叶变换

傅里叶变换的详细过程及推导可以看一个大佬写的，我这里就不介绍了，链接：傅里叶分析之掐死教程（完整版）更新于2014.06.06 - 知乎

我这里就介绍一下傅里叶变换的一些概念和opencv中如何实现傅里叶变换：

低频：变化缓慢的灰度分量，非边界

高频：变化剧烈的灰度分量，如边界

低通滤波器：只保留低频，效果：会使图片模糊

高通滤波器：只保留高频，效果：会增强图片细节

（1）傅里叶变换

在opencv中提供了傅里叶变换函数，cv2.dft（）和逆变换函数cv2.idft（），在官方文档中要求输入的图片为np.float32格式

图像经过傅里叶变换后频率为0会在左上角，通常会经过变换，将频率为0变换到中心位置，可以使用shift变换来实现

使用函数cv2.dft（）进行傅里叶变换返回的是双通道（实部，虚部），需要转换为图片格式（0，255）才能显示

代码实现：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


cat = cv.imread('../de/cat.jpg', 0)
cat_32 = np.float32(cat)

cat_dft = cv.dft(cat_32, flags=cv.DFT_COMPLEX_OUTPUT)  # 进行傅里叶变换，DFT_COMPLEX_OUTPUT傅里叶变换方法
cat_shift = np.fft.fftshift(cat_dft)   # 进行shift变换
# 映射到灰度图中
cat_gray = 20*np.log(cv.magnitude(cat_shift[:, :, 0], cat_shift[:, :, 1]))  # cv2.magnitude()转换后数值小，需要映射到（0， 255）所以需要转换
plt.subplot(221), plt.imshow(cat, 'gray'), plt.title('cat'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(cat_gray, 'gray'), plt.title('cat_dft'), plt.xticks([]), plt.yticks([])
plt.show()

效果：

原图和经过傅里叶变换后的对比，经傅里叶变换后，中间最亮的区域就是频率为0，越往外频率就越大。

（2）低通滤波器

低通滤波器：只保留低频，效果：会使图片模糊。

原理：经过傅里叶变换和shift变换，将低频集中在了中间位置，只需要制作一个和输入图片大小一致的mask，此mask的格式只需要将中间一部分置为1，周围为0，然后将mask与经过傅里叶变换和shift变换的结果相乘，就得到了只剩低频的结果。

代码实现：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


cat = cv.imread('../de/cat.jpg', 0)
cat_32 = np.float32(cat)

cat_dft = cv.dft(cat_32, flags=cv.DFT_COMPLEX_OUTPUT)  # 进行傅里叶变换，DFT_COMPLEX_OUTPUT傅里叶变换方法
cat_shift = np.fft.fftshift(cat_dft)   # 进行shift变换
w, h = cat.shape
x = int(w/2)
y = int(h/2)
print(x, y)
mask = np.zeros((w, h, 2), np.uint8)    # 构造mask
mask[(x-50):(x+50), (y-50):(y+50)] = 1
fcat_shift = cat_shift * mask
fcat = np.fft.ifftshift(fcat_shift)     # 逆shift
cat_back = cv.idft(fcat)           # 逆傅里叶
cat_back = cv.magnitude(cat_back[:, :, 0], cat_back[:, :, 1])   # 映射到（0，255）
plt.subplot(221), plt.imshow(cat, 'gray'), plt.title('cat'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(cat_back, 'gray'), plt.title('cat_back'), plt.xticks([]), plt.yticks([])
plt.show()

效果图：

（3）高通滤波器

高通滤波器：只保留高频，效果：会增强图片细节

原理：和低通滤波器的原理几乎一致，只是构造mask时，将是1的变成0，0的变成1，这样就把低频的去掉，只保留高频。

代码实现：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt


cat = cv.imread('../de/cat.jpg', 0)
cat_32 = np.float32(cat)

cat_dft = cv.dft(cat_32, flags=cv.DFT_COMPLEX_OUTPUT)  # 进行傅里叶变换，DFT_COMPLEX_OUTPUT傅里叶变换方法
cat_shift = np.fft.fftshift(cat_dft)   # 进行shift变换
w, h = cat.shape
x = int(w/2)
y = int(h/2)
print(x, y)
mask = np.ones((w, h, 2), np.uint8)
mask[(x-50):(x+50), (y-50):(y+50)] = 0
fcat_shift = cat_shift * mask
fcat = np.fft.ifftshift(fcat_shift)
cat_back = cv.idft(fcat)
cat_back = cv.magnitude(cat_back[:, :, 0], cat_back[:, :, 1])
plt.subplot(221), plt.imshow(cat, 'gray'), plt.title('cat'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(cat_back, 'gray'), plt.title('cat_back'), plt.xticks([]), plt.yticks([])
plt.show()

效果图：

二、Harris角点检测

Harris角点检测其具体原理可以看知乎上一位大佬写的，链接：图像处理基础（七）Harris 角点检测 - 知乎，这上面有具体的原理和数学公式推导过程，我这里只介绍实现代码。

在opencv中Harris角点检测为：cv2.cornerHarris（img, blockSize, ksize, k）

img:数据类型为float32的的输入图像

blockSize:角点检测中指定区域的大小

ksize：Sober求导中使用窗口的大小

k：取值参数，[0.04, 0.06]

实现代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('../de/c.jpg')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
print(img_gray)
img_gray = np.float32(img_gray)
des = cv.cornerHarris(img_gray, 2, 3, 0.04)

img[des > 0.1*des.max()] = [255, 0, 0]  # 某一个自相似变化程度大于0.1倍的最大值我就可以认为这个就是一个角点
plt.imshow(img), plt.xticks([]), plt.yticks([])
plt.show()

效果图：