数字图像-理想高通滤波器

最新推荐文章于 2024-01-05 04:31:56 发布

我不学习机器学习

最新推荐文章于 2024-01-05 04:31:56 发布

阅读量1k

点赞数 1

分类专栏：数字图像处理文章标签： python 深度学习机器学习

本文链接：https://blog.csdn.net/weixin_47423314/article/details/120708634

版权

数字图像处理专栏收录该内容

10 篇文章 1 订阅

订阅专栏

该博客介绍了一种使用理想高通滤波器进行图像处理的方法，通过numpy和matplotlib库实现。首先，定义中文显示工具函数，然后读取咖啡图像并转换为灰度。接着，应用傅里叶变换和平移，构造理想高通滤波器并应用到图像频谱上，再进行逆傅里叶变换，最后展示原图像和处理后的图像，实现了图像细节的增强。

摘要由CSDN通过智能技术生成

# ldealhighpassfilter.py
# 理想高通滤波器
# 导入相关库
from skimage import data, color
import numpy as np
import matplotlib.pyplot as plt
"""
中文显示工具函数
"""


def set_ch():
    from pylab import mpl
    mpl.rcParams['font.sans-serif'] = ['FangSong']
    mpl.rcParams['axes.unicode_minus'] = False


set_ch()
D = 10
# 读入图像
new_img = data.coffee()
new_img = color.rgb2gray(new_img)
# numpy中的傅里叶变换
f1 = np.fft.fft2(new_img)
f1_shift = np.fft.fftshift(f1)
# 使用np.fft.fftshift()函数实现平移，让直流分量输出图像的重心
# 实现理想高通滤波器
rows, cols = new_img.shape
crow, ccol = int(rows/2), int(cols/2)   # 计算频谱中心
mask = np.zeros((rows, cols), np.uint8)   # 生成rows行cols列的矩阵，数据格式为uint8
for i in range(rows):
    for j in range(cols):
        if np.sqrt(i*i+j*j) <= D:
            # 将距离频谱中心小于D的部分低通信息设置为1，属于低通滤波
            mask[crow-D:crow+D, ccol-D:ccol+D] = 1
mask = 1-mask
f1_shift = f1_shift*mask
# 傅里叶逆变换
f_ishift = np.fft.ifftshift(f1_shift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
img_back = (img_back-np.amin(img_back))/(np.amax(img_back)-np.amin(img_back))
# plt.figure(figsize=(15, 8))
plt.figure()
plt.subplot(121), plt.imshow(new_img, cmap='gray')
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.show()