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