OpenCV系列之傅里叶变换 | 三十

最新推荐文章于 2023-10-27 21:14:09 发布

woshicver

最新推荐文章于 2023-10-27 21:14:09 发布

阅读量538

点赞数 1

本文链接：https://blog.csdn.net/woshicver/article/details/105140917

版权

本文介绍了如何使用OpenCV和Numpy进行傅里叶变换，探讨了傅里叶变换在图像处理中的作用，包括频率域分析、高通滤波和低通滤波。通过实例展示了如何在OpenCV中应用cv.dft()和cv.idft()函数，并讨论了DFT的性能优化。此外，还解释了拉普拉斯算子作为高通滤波器的原因。

摘要由CSDN通过智能技术生成

目标

在本节中，我们将学习

使用OpenCV查找图像的傅立叶变换
利用Numpy中可用的FFT函数
傅立叶变换的某些应用程序
我们将看到以下函数：cv.dft()，cv.idft()等

理论

傅立叶变换用于分析各种滤波器的频率特性。对于图像，使用2D离散傅里叶变换(DFT)查找频域。一种称为快速傅立叶变换(FFT)的快速算法用于DFT的计算。关于这些的详细信息可以在任何图像处理或信号处理教科书中找到。请参阅其他资源部分。

对于正弦信号，我们可以说f是信号的频率，如果采用其频域，则可以看到f的尖峰。[−π，π]或[0,2π]范围内（对于N点DFT为[0，N]是周期性的。

更直观地说，对于正弦信号，如果幅度在短时间内变化如此之快，则可以说它是高频信号。如果变化缓慢，则为低频信号。您可以将相同的想法扩展到图像。图像中的振幅在哪里急剧变化？在边缘点或噪声。因此，可以说边缘和噪声是图像中的高频内容。如果幅度没有太大变化，则它是低频分量。（一些链接已添加到“其他资源”，其中通过示例直观地说明了频率变换）。

现在，我们将看到如何找到傅立叶变换。

Numpy中的傅里叶变换

首先，我们将看到如何使用Numpy查找傅立叶变换。Numpy具有FFT软件包来执行此操作。np.fft.fft2()为我们提供了频率转换，它将是一个复杂的数组。它的第一个参数是输入图像，即灰度图像。第二个参数是可选的，它决定输出数组的大小。如果它大于输入图像的大小，则在计算FFT之前用零填充输入图像。如果小于输入图像，将裁切输入图像。如果未传递任何参数，则输出数组的大小将与输入的大小相同。

现在，一旦获得结果，零频率分量（DC分量）将位于左上角。如果要使其居中，则需要在两个方向上将结果都移动。只需通过函数np.fft.fftshift()即可完成。（它更容易分析）。找到频率变换后，就可以找到幅度谱。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
Result look like below:

结果看起来像下面