opencv 傅里叶变换--通过该变换将图片变模糊或者保留边界

概述

对于一个人一天的生活我们看来是动态的，每个点去都需要去做什么
但在频域中关心的是一周吃几次早班、上几次班、做几次地铁，而这些次数基本上不会发生什么变化

比如：我们生活在时间的世界中，早上7:00起来吃早饭，8:00去挤地铁，9:00开始上班。。。以时间为参照就是时域分析。

但是在频域中一切都是静止的！

https://zhuanlan.zhihu.com/p/19763358
该文章主要说一件事：任何的周期函数，都可以用多个正余弦波堆叠起来

傅里叶变换的作用

- 高频：变化剧烈的灰度分量，例如边界

- 低频：变化缓慢的灰度分量，例如一片大海

滤波：

- 低通滤波器：只保留低频(不经常发生变化的)，会使得图像模糊

- 高通滤波器：只保留高频(保留变化大的，一般边界变化比较大)，会使得图像细节增强

- opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32 格式。
- 得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
- cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）。 

生成Magnitude Spectrum的图

对于结果图，中间是低频的，周围是高频的，主要方便后续按要求处理图片

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

# 执行傅里叶变换
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
# 将低频的值移到中间的位置到中间的位置
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('Orignal Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
# 越低频的在中间，越高频的在外面
plt.show()

保留低频(变化不大)的图，整体来看图片变模糊了

 

import numpy as np
import cv2
from matplotlib import pyplot as plt

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)
# 将中间位置的坐标30、右边30，上面30、下面30分别置为1
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)
# 处理实部和虚部
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([])

# 保留的都是经常出现的一些像素值，一些突出的细节被去掉了
# 所以图片看上去模糊了
plt.show()                

保留高配的图，整体看来只剩边界 

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
# 一开始全要
mask = np.ones((rows, cols, 2), np.uint8)
# 将中间的位置(都是低频的像素值)，即保留四周高频的
mask[crow-30:crow+30, ccol-30:ccol+30] = 0

# IDFT
# 为1的保留下来，为0的去掉掉
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
# 处理实部和虚部
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([])
# 最后只留下一些边界的
plt.show()    

得出的一个技巧

对图像处理，先转化成Magnitude Spectrum(中间低频，周围高频)的图，再按自己要求去处理，可能会容易得多