OpenCV图像处理（五、傅里叶变换）

    傅里叶变换经常被用来分析不同滤波器的频率特性。可以使用2D傅里叶变换（DFT）分析图像的频域特性，实现DFT的一个快速算法被称为快速傅里叶变换（FFT）。

1. Numpy中的傅里叶变换

    函数np.fft.fft2()可以对信号进行频率转换，输出结果是一个复杂的数组。

• 第一个参数是输入图像，要求灰度图；
• 第二个参数是可选的，决定输出数组的大小；一般输出数组和输入数组一样大，但是如果输出图像比输入图像大，输入图像就需要在进行FFT前补0；如果小，输入图像会被切割。

1）将频率为0的部分（直流分量）从图像的左上角移动到图像中心

用np.fft.fftshift()实现，代码如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("/~/logo.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnititude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

结果图：

2）频域变换

    使用功能一个60*60的矩形窗口对图像进行掩模操作从而去除低频分量；然后在进行逆平移操作，最后进行FFT逆变换。代码如下：

rows, cols = img.shape
crow, ccol = rows//2, cols//2
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
#取绝对值
img_back = np.abs(img_back)
plt.subplot(131), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(img_back, cmap='gray')
plt.title('Image after HPF'), plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(img_back)
plt.title('Result in IET'), plt.xticks([]), plt.yticks([])
plt.show()

结果图：

从结果图看，高通滤波其实是一种边界检测操作。且由于用矩形窗口滤波出现了振铃效应，所以实际应用中，最好用高斯窗口进行滤波。

2. OpenCV中的傅里叶变换

1)直流分量平移

dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('magnitude spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

2）逆DFT

• 先实现HPF（高通滤波）
• 再做LPF（低通滤波）将高频部分去除

rows, cols = img.shape
crow, ccol = rows//2, cols//2
#创建掩模，中心部分是1，其余为0
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 逆DFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('img back'), plt.xticks([]), plt.yticks([])
plt.show()

cv2.dft() 和cv2.idft()要比Numpy快，但是Numpy更加用户友好。