1.调用库
import cv2
import matplotlib.pyplot as plt
import numpy as np
img=cv2.imread('F:cat.jpg',0)
2.傅里叶变换(时域→频域)
#傅里叶变换,并将最低频移至中心
img_float32=np.float32(img)
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)
#双通道,实部和虚部,转化成可以显示的形式,由于数值太小再*20
magnitude_spectrum=20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
绘制原图及滤波后的图
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()
运行结果:
3.滤波
制作和原图大小的高通掩膜和低通掩膜(注意比较两者的不同)
rows,cols=img.shape
crow,ccol=int(rows/2),int(cols/2)
#低通滤波掩膜
mask_1=np.zeros((rows,cols,2),np.uint8)
mask_1[crow-30:crow+30,ccol-30:ccol+30]=1
#高通滤波掩膜
mask_2=np.ones((rows,cols,2),np.uint8)
mask_2[crow-30:crow+30,ccol-30:ccol+30]=1
3.1低通滤波
第二步得到的频谱图*低通滤波器掩膜
fshift_1=dft_shift*mask_1
f_ishift_1=np.fft.ifftshift(fshift_1)
img_back_1=cv2.idft(f_ishift_1)
img_back_1=cv2.magnitude(img_back_1[:,:,0],img_back_1[:,:,1])
说明:为了得到低通滤波处理后的图片,需要进行一个逆处理(频域→时域)过程: ifftshift和idft,最后再经cv2.magnitude处理成可以展示的灰度图
3.2高通滤波
第二步得到的频谱图*高通滤波器掩膜
fshift_2=dft_shift*mask_2
f_ishift_2=np.fft.ifftshift(fshift_2)
img_back_2=cv2.idft(f_ishift_2)
img_back_2=cv2.magnitude(img_back_2[:,:,0],img_back_2[:,:,1])
3.3滤波结果
绘制原图&低通&高通三幅图
plt.subplot(131),plt.imshow(img,'gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(132),plt.imshow(img_back_1,'gray')
plt.title('Low'),plt.xticks([]),plt.yticks([])
plt.subplot(133),plt.imshow(img_back_2,'gray')
plt.title('HIgh'),plt.xticks([]),plt.yticks([])
plt.show()
运行结果: