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()