傅里叶变换主要是用在滤波
低频在中间,高频往两边发散;
高通滤波:细节增强
低通滤波:图像模糊
用到的是cv.dft(), cv.ifft(),图像首先要转为np.float21格式
得到的结果中频率为0的在左上角,通常需要转到中心位置,可以通过shift变化来实现;
cv.dft()返回的结果是双通道的,还是需要转换才能成为图像格式;
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
path = r'F:\Python_study\python_image\opencv\image\lena.png'
img = cv.imread(path,0)
img_float32 = np.float32(img)
dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图像的表示形式
magnitude_sqectrum = 20*np.log(cv.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('input')
plt.xticks([]), plt.yticks([])
plt.subplot(122)
plt.imshow(magnitude_sqectrum, cmap='gray')
plt.title('mangnitude_sqectrum')
plt.xticks([])
plt.yticks([])
plt.show()
低频会让图像变模糊
rows, cols = img.shape
row_m, cols_m = int(rows/2), int(cols/2)
# 低通滤波
mask = np.zeros((rows, cols,2), np.uint8)
# 中心位置
mask[cols_m-30:cols_m+30, row_m-30:row_m+30] = 1
# 逆变换
fshift = dft_shift*mask
f_shift = np.fft.fftshift(fshift)
img_back = cv.idft(f_shift)
img_back = cv.magnitude(img_back[:,:,0], img_back[:,:,1])
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.xticks([]), plt.yticks([]), plt.title('input')
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.xticks([]), plt.yticks([]), plt.title('ifft')
plt.show()
高频会变的更加锐利
rows, cols = img.shape
row_m, cols_m = int(rows/2), int(cols/2)
# 高通滤波
mask = np.ones((rows, cols,2), np.uint8)
# 中心位置
mask[cols_m-30:cols_m+30, row_m-30:row_m+30] = 0
# 逆变换
fshift = dft_shift*mask
f_shift = np.fft.fftshift(fshift)
img_back = cv.idft(f_shift)
img_back = cv.magnitude(img_back[:,:,0], img_back[:,:,1])
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.xticks([]), plt.yticks([]), plt.title('input')
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.xticks([]), plt.yticks([]), plt.title('ifft')
plt.show()
总结:
使用傅里叶变换可以避免直接在原图像上操作,能够提高效率。如果使用numba加速,傅里叶变换的速度会更快,同样,也可以使用numpy中的fft, ifft进行加速计算。