2019-8-16 opencv图像处理11-图像变换（傅里叶变换）numpy和opencv实现-分析频率特性

官网 https://docs.opencv.org/3.4.1/de/dbc/tutorial_py_fourier_transform.html

傅里叶变换通常被用来分析各种滤波器的频率特性。
对于图像，2D离散傅里叶变换(DFT)被用于发现频域（frequency domain）。有一个计算DFT的快速算法叫快速傅里叶变换(FFT)。以上内容细节可以在任何一本图像处理或者信号处理的书中找到。

对于正弦信号
$x(t)=Asin(2\pi ft)$
f是信号频率，如果把这个信号转到它的频域表示，我们可以在f中看到一个峰值。
如果对信号以离散形式采样，我们可以得到同样的频域（只不过是离散的），但是周期是 [−π,π] 或者 [0,2π] （N点DFT是 [0,N] ）。
你可以把图像看成是沿着2个方向采样的信号。所以对图像同时进行X方向和Y方向的傅里叶变换，就可以得到图像的频率表示（频谱图）。

更直观一点说，对于正弦信号，如果它的幅度在短时间内变化很快，你可以说它是高频信号。如果变化很慢，那就是低频信号。你可以把同样的想法应用于图像。

那么图像中的振幅在哪里变化剧烈呢？在边界点或者噪音。
所以我们可以说边界和噪音是图像的高频部分。图像中振幅变化不大的部分，就是低频部分。