Image Filtering and Hybrid Images（python实现）

目录

一、题目

二、原理

三、效果

四、代码

---

一、题目

二、原理

滤波器就是一个特定的公式导出的一个特定的卷积模板。而衰减高频而通过低频的滤波器的滤波器称为低通滤波器，将模糊一副图像。 衰减低频而通过高频的滤波器的滤波器称为高通滤波器，将锐化一副图像。

常见的低通滤波器有：理想低通滤波器、布特沃斯低通滤波器、高斯低通滤波器；

常见的高通滤波器有：理想高通滤波器、布特沃斯高通滤波器、高斯高通滤波器。

三、效果

原图：

理想低通	布特沃斯低通	高斯低通
理想高通	布特沃斯高通	高斯高通

四、代码

import cv2
import numpy as np

img = cv2.imread('img.jpg', 0)
rows, cols = img.shape[:2]
d0 = 80

# 计算最优尺寸
nrows = cv2.getOptimalDFTSize(rows)
ncols = cv2.getOptimalDFTSize(cols)
# 根据新尺寸，建立新变换图像
nimg = np.zeros((nrows, ncols))
nimg[:rows,:cols] = img
# 得到的fft_mat有2个通道，实部和虚部
fft_mat = cv2.dft(np.float32(nimg), flags = cv2.DFT_COMPLEX_OUTPUT)
# 反换位，低频部分移到中间，高频部分移到四周
fft_mat = np.fft.fftshift(fft_mat)

def fft_distances(m, n):
    u = np.array([i - m/2 for i in range(m)], dtype=np.float32)
    v = np.array([i - n/2 for i in range(n)], dtype=np.float32)
    ret = np.ones((m, n))
    for i in range(m):
        for j in range(n):
            ret[i][j] = np.sqrt(u[i]*u[i] + v[j]*v[j])
    u = np.array([i if i<=m/2 else m-i for i in range(m)], dtype=np.float32)
    v = np.array([i if i<=m/2 else m-i for i in range(m)], dtype=np.float32)
    return ret

def change_filter(flag):
    # 理想低通滤波器
    if flag == 1:
        # 初始化滤波器，因为fft_mat有2个通道，filter_mat也需要2个通道
        filter_mat = np.zeros((nrows, ncols ,2), np.float32)
        # 将filter_mat中以(ncols/2, nrows/2)为圆心、d0为半径的圆内的值设置为1
        cv2.circle(filter_mat, (np.int(ncols/2), np.int(nrows/2)) , d0, (1,1,1), -1)
    # 布特沃斯低通滤波
    elif flag == 2:
        n = 2 # 2阶
        filter_mat = None
        duv = fft_distances(*fft_mat.shape[:2])
        filter_mat = 1 / (1+ np.power(duv/d0, 2*n))
        filter_mat = cv2.merge((filter_mat, filter_mat)) # fliter_mat 需要2个通道
    # 高斯低通滤波（σ为d0）
    else:
        filter_mat = None
        duv = fft_distances(*fft_mat.shape[:2])
        filter_mat = np.exp(-(duv*duv) / (2*d0*d0))
        filter_mat = cv2.merge((filter_mat, filter_mat)) # fliter_mat 需要2个通道
    return filter_mat

def ifft(fft_mat):
    # 反换位，低频部分移到四周，高频部分移到中间
    f_ishift_mat = np.fft.ifftshift(fft_mat)
    # 傅里叶反变换
    img_back = cv2.idft(f_ishift_mat)
    # 将复数转换为幅度, sqrt(re^2 + im^2)
    img_back = cv2.magnitude(*cv2.split(img_back))
    # 标准化到0~255之间
    cv2.normalize(img_back, img_back, 0, 255, cv2.NORM_MINMAX)
    return np.uint8(np.around(img_back))[:rows,:cols]

img1 = ifft(change_filter(1) * fft_mat) # 理想低通
img2 = ifft(change_filter(2) * fft_mat) # 布特沃斯低通
img3 = ifft(change_filter(3) * fft_mat) # 高斯低通
img4 = ifft((1 - change_filter(1)) * fft_mat) # 理想高通
img5 = ifft((1 - change_filter(2)) * fft_mat) # 布特沃斯高通
img6 = ifft((1 - change_filter(3)) * fft_mat) # 高斯高通

#将图片写入文件中
cv2.imwrite('img1.jpg', img1)
cv2.imwrite('img2.jpg', img2)
cv2.imwrite('img3.jpg', img3)
cv2.imwrite('img4.jpg', img4)
cv2.imwrite('img5.jpg', img5)
cv2.imwrite('img6.jpg', img6)