OpenCV中图片处理-傅里叶变换讲解

一、傅里叶变换

1. cv2.dft(img, cv2.DFT_COMPLEX_OUTPUT)

        参数说明:

                img表示输入的图片，

                cv2.DFT_COMPLEX_OUTPUT表示进行傅里叶变化的方法

        功能：进行傅里叶变化

2. np.fft.fftshift(img) 

        参数说明：img表示输入的图片

        功能：将图像中的低频部分移动到图像的中心

3. cv2.magnitude(x, y) 将sqrt(x^2 + y^2)

        参数说明：需要进行x和y平方的数

        功能：计算矩阵维度的平方根

4.np.fft.ifftshift(img) 

        参数说明：img表示输入的图片

        功能：进图像的低频和高频部分移动到图像原来的位置

5.cv2.idft(img)   

        参数说明：img表示经过傅里叶变化后的图片

        功能：进行傅里叶的逆变化

傅里叶变化：

        ① 将图像从空间域转换为频率域。

        

 二、案例

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


"""
构建出的傅里叶变化的图片，将低频移到中间位置， 通常呈现中间亮，周围暗，是因为对于低频而言，波动较大，比如红色那条线，因此呈现亮，对于高频而言，波动较小，比如蓝色那条线，因此呈现暗
第一步：载入图片

第二步：使用np.float32进行格式转换

第三步：使用cv2.dft进行傅里叶变化

第四步：使用np.fft.shiftfft将低频转移到中间位置

第五步：使用cv2.magnitude将实部和虚部投影到空间域

第六步：进行作图操作
"""

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
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()

                                

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


"""
只保留低频，即进行低通滤波，因为高频表示是一些细节，即图像的轮廓和边缘，失去了高频部分，图像就容易变得模糊

代码：

第一步：读取图片

第二步：np.float32进行类型转换

第三步：使用cv2.dft进行傅里叶变化

第四步：使用np.fft.fftshift 将低频部分转换到图像的中心

第五步：构造掩模，使得掩模的中心位置为1，边缘位置为0

第六步：将掩模与傅里叶变换后的图像结合，只保留中心部分的低频位置

第七步：使用np.fft.ifftshift将低频部分转移回图像的原先位置

第八步：使用cv2.idft进行傅里叶的反转换

第九步：使用cv2.magnitude将图像的实部和虚部转换为空间域内

第十步：进行作图操作
"""

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# IDFT
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('Result'), plt.xticks([]), plt.yticks([])

plt.show()                

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

"""
只保留图像的高频部分

流程与上面一样，只是构造的掩模是中间为0，边缘为1，然后与傅里叶变化后的图像结合， 保留高频部分，去除低频部分
"""

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2)     # 中心位置

# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
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('Result'), plt.xticks([]), plt.yticks([])

plt.show()