指数高通滤波器代码_高通滤波法、微分算子法、神经网络方法实现图像边缘检测...

边缘检测(Edge detection)是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。本文使用多种不同的方法，实现对 Lena 肖像的边缘检测，研究分析各算法的效果和优缺点。所涉及的方法如下：

高通滤波法

理想高通滤波器

Butterworth 高通滤波器

指数高通滤波器

微分算子法

Roberts 算子

Sobel 算子

Laplacian 算子

Canny 算子

神经网络方法

HED 算法

高通滤波法

图像中的边缘或线条等细节部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量顺利通过，使图像的边缘或线条细节变得清楚，实现边缘提取和图像锐化。

常见的高通滤波器包括：理想高通滤波器、Butterworth 高通滤波器、指数高通滤波器等。

理想高通滤波器

理想高通滤波器的传递函数 \(H(u, v)\) 满足下式：

\[H(u,v) = \begin{cases} 1, &D(u,v)>D_0 \cr 0, &D(u,v) \leq D_0 \end{cases}

\]

理想高通滤波器只是一种理想状况下的滤波器，不能用实际的电子器件实现。

Butterworth 高通滤波器

Butterworth 高通滤波器的传递函数 \(H(u,v)\) 如下：

\[H(u,v)=\frac{1}{1+[D_0/D(u,v)]^{2n}}

\]

式中，\(n\) 为阶数，\(D_0\) 为截止频率。

Butterworth 高通滤波器在高低频率间的过渡比较平滑，所以由其得到的输出图像的振铃现象不明显。

指数高通滤波器

指数高通滤波器的传递函数 \(H(u,v)\) 如下：

\[H(u,v)=\exp\{-[\frac{D_0}{D(u,v)}]^n\}

\]

式中，变量 \(n\) 控制从原点算起的传递函数 \(H(u,v)\) 的增长率。

指数高通滤波器的另一种常用的传递函数如下式所示：

\[H(u,v)=\exp\{[\ln(\frac{1}{\sqrt 2})][\frac{D_0}{D(u,v)}]^n\}

\]

代码实现

为了在频率域中实现高通滤波，先通过傅里叶变换得到图像的频谱，根据不同滤波器的不同传递函数，对频率进行相应的过滤，最后再对其进行傅里叶反变换，得到滤波后的图像。

傅里叶变换

img = plt.imread('images/lena.bmp')

fft_shift = np.fft.fftshift(np.fft.fft2(img))# 变换后将零频分量移到频谱中心

fft_img = np.log(np.abs(fft_shift))# 可视化

实现三种滤波器

def distance(shape):# 计算每个像素到中心原点的距离

n, m = shape

u = np.arange(n)

v = np.arange(m)

u, v = np.meshgrid(u, v)

return np.sqrt((u - n//2)**2 + (v - m//2)**2)</