数字图像处理 - 实验作业三 - Python

最新推荐文章于 2024-04-15 11:00:06 发布

倦时眠

最新推荐文章于 2024-04-15 11:00:06 发布

阅读量3.5k

点赞数 15

分类专栏：数字图像处理文章标签： python

本文链接：https://blog.csdn.net/xvvoly/article/details/105535020

版权

数字图像处理专栏收录该内容

6 篇文章 24 订阅

订阅专栏

文章目录

第四章频率域滤波

第四章频率域滤波

滤波器：抑制或最小化某些频率的波或振荡的装置或材料

频率：自变量单位变化期间，一个周期函数重复相同值序列的次数

在开始实验之前，可以先看一下三篇文章了解一下傅里叶变换

什么是傅里叶变换

通俗讲解图像傅里叶变换

如何理解图像傅里叶变换的频谱图

1、实现图像的傅里叶变换，显示其幅度谱的图像（0 频在显示图像的中间位置）

M×N图像的二维离散傅里叶变换的公式为
$F(u,v)=\sum_{x=0}^{M-1} \sum_{y=0}^{N-1}f(x,y)e^{-2\pi(\frac{ux}{M}+\frac{vy}{N})}$

但在实际的实现中，如果自己编写相关的代码，速度是很慢的。可以调用NumPy自带的快速傅里叶变换的方法来显示图像的幅度谱

由于经过傅里叶变换后的图像像素值比较大，所以还需要用对数函数来使之归到0-255之间，中间各个过程的图像如下所示

在频谱中心化后的图像中，中间是低频，四周都是高频未经过频谱中心化的图像则相反
实现的代码如下所示：

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

img_path = "man.jpg"

src = np.array(Image.open(img_path).convert("L"))

dft_src = np.fft.fft2(src)
log_src = np.log(1 + np.abs(dft_src))
ctr_src = np.fft.fftshift(log_src)
img_list = [src, dft_src, log_src, ctr_src]
img_list_name = ["原图像", "DFT图像", "DFT+对数变换图像", "中心化图像"]

plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']

_, img_xy = plt.subplots(2, 2, figsize=(12, 12))

for i in range(2):
    for j in range(2):
        img_xy[i][j].imshow(np.abs(img_list[i * 2 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 2 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

2、用理想低通滤波器在频率域实现低通滤波

从这里往下代码重叠度比较高，因为基本原理是相同的

理想低通滤波器（ILPF）的滤波器传递函数为
$v)=\left\{\begin{array}{ll} 1 & D(u, v) \leq D_{0} \\ 0 & D(u, v)>D_{0} \end{array}\right.$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将理想低通滤波器其用不同的方式可视化表达出来

在这里插入图片描述

实现的方式：

对图像做傅里叶变换并使得频谱中心化
设定滤波的半径，并以图像中心为圆心画圆
圆内的滤波器值设为1，圆外为0
逆中心化和逆傅里叶变换

低通滤波得到的结果如下所示
在这里插入图片描述
图中总共设置了5种滤波的半径，可以观察到，低通滤波一是模糊，二是会有振铃效应，出现振铃效应的主要原因是理想滤波器在频域是一个门函数，但是在时域对应的是一个sinc函数，而频域的相乘就是时域的卷积。

时域卷积sinc函数就是对该函数进行搬移与叠加，那自然就有一圈圈波纹产生，也就是我们所谓的振铃效应

理想低通滤波器实现的代码如下所示

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img


def idea_low_pass_filter(source, radius=5):
    """
    LPF
        source: source image
        radius: size for low pass filter
    """
    # get the paras
    filter_radius = radius
    img = source

    # set paras for filter
    height, weight = img.shape
    center_h = int(height / 2)
    center_w = int(weight / 2)

    # initialize filter
    low_pass_filter = np.zeros_like(img)

    # set the low pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i - center_h), 2) + np.power((j - center_w), 2))
            if dist_from_center < radius:
                low_pass_filter[i][j] = 1

    # filter the image
    filtered_img = np.multiply(img, low_pass_filter)

    return filtered_img


img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(idea_low_pass_filter(fft_src, i)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

3、用理想高通滤波器在频率域实现低通滤波

理想高通滤波器（IHPF）滤波器传递函数为
$v)=\left\{\begin{array}{ll}0 & D(u, v) \leq D_{0} \\1 & D(u, v)>D_{0}\end{array}\right.$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将理想高通滤波器用不同的方式可视化表达出来

在这里插入图片描述

实现的方式：

对图像做傅里叶变换并使得频谱中心化
设定滤波的半径，并以图像中心为圆心画圆
圆内的滤波器值设为0，圆外为1
逆中心化和逆傅里叶变换

实现的效果如下所示：

在这里插入图片描述

实现的代码如下所示：

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img


def idea_high_pass_filter(source, radius=5):
    """
    HPF
        source: source image
        radius: size for High pass filter
    """
    # get the paras
    filter_radius = radius
    img = source

    # set paras for filter
    height, weight = img.shape
    center_h = int(height / 2)
    center_w = int(weight / 2)

    # initialize filter
    high_pass_filter = np.ones_like(img)

    # set the high pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i - center_h), 2) + np.power((j - center_w), 2))

            if dist_from_center < radius:
                high_pass_filter[i][j] = 0

    # filter the image
    filtered_img = np.multiply(img, high_pass_filter)

    return filtered_img


img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(idea_high_pass_filter(fft_src, i)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

4、用巴特沃斯低通滤波器和高斯低通滤波器实现图像的低通滤波

4.1 巴特沃斯低通滤波器

巴特沃斯低通滤波器（BLPF）滤波器传递函数为
$v)=\frac{1}{1+\left[D(u, v) / D_{0}\right]^{2 n}}$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将巴特沃斯低通滤波器用不同的方式可视化表达出来

在这里插入图片描述

实现的效果如下所示（采用2阶巴特沃斯低通滤波器）：

在这里插入图片描述

观察可以发现，巴特沃斯低通滤波器虽然依然有模糊，但基本上可以说没有振铃效应

观察不同阶数的巴特沃斯低通滤波器的空间表示（从左到右分别是1阶，2阶，5阶，），可以发现（低阶）“振”的部分减少了，虽然1阶不存在振铃效应，但是低通性不好，所以之前的实现采用了2阶，振铃效应也是基本不可见

在这里插入图片描述

但是高阶的巴特沃斯低通滤波器依然有，比如以下的20阶巴特沃斯低通滤波器

在这里插入图片描述

实现的代码如下所示

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img


def butterworth_low_pass_filter(source, radius=5, order=1):
    # get the paras
    filter_radius = radius
    img = source

    # set paras for filter
    height, weight = img.shape
    center_h = int(height / 2)
    center_w = int(weight / 2)

    # initialize filter
    butterworth_low_pass_filter = np.zeros_like(img)

    # set the pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i - center_h), 2) + np.power((j - center_w), 2))
            butterworth_low_pass_filter[i][j] = 1 / (1 + np.power(dist_from_center / radius, 2 * order))

    # filter the image
    filtered_img = np.multiply(img, butterworth_low_pass_filter)

    return filtered_img


img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(butterworth_low_pass_filter(fft_src, i, 2)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

4.2 高斯低通滤波器

高斯低通滤波器（GLPF）滤波器传递函数为
$H(u, v)=e^{-D^{2}(u, v) / 2 D_{0}^{2}}$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将高斯低通滤波器其用不同的方式可视化表达出来

在这里插入图片描述

实现的效果如下所示：

在这里插入图片描述

可以观察到，高斯低通滤波器同样是模糊但是没有振铃效应

实现的代码如下所示：

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img


def guass_low_pass_filter(source, radius=5):
    # get the paras
    filter_radius = radius
    img = source

    # set paras for filter
    height, weight = img.shape
    center_h = int(height / 2)
    center_w = int(weight / 2)

    # initialize filter
    guass_low_pass_filter = np.zeros_like(img)

    # set the pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i - center_h), 2) + np.power((j - center_w), 2))
            guass_low_pass_filter[i][j] = np.exp(-(np.power(dist_from_center, 2) / np.power(radius, 2)))

    # filter the image
    filtered_img = np.multiply(img, guass_low_pass_filter)

    return filtered_img


img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(guass_low_pass_filter(fft_src, i)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

5、用巴特沃斯高通滤波器和高斯高通滤波器实现图像的高频增强

5.1 巴特沃斯高通滤波器

巴特沃斯高通滤波器（BHPF）滤波器传递函数为
$v)=\frac{1}{1+\left[D_{0}/D(u, v) / \right]^{2 n}}$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将巴特沃斯高通滤波器用不同的方式可视化表达出来

在这里插入图片描述

实现的效果如下所示：

在这里插入图片描述

实现的代码如下所示：

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img


def butterworth_high_pass_filter(source, radius=5, order=2):
    # get the paras
    filter_radius = radius
    img = source

    # set paras for filter
    height, weight = img.shape
    center_h = int(height / 2)
    center_w = int(weight / 2)

    # initialize filter
    butterworth_high_pass_filter = np.zeros_like(img)

    # set the pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i - center_h), 2) + np.power((j - center_w), 2))
            if dist_from_center != 0:
                butterworth_high_pass_filter[i][j] = 1 / (1 + np.power(radius / dist_from_center, 2 * order))
    # filter the image
    filtered_img = np.multiply(img, butterworth_high_pass_filter)

    return filtered_img


img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(butterworth_high_pass_filter(fft_src, i)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

5.2 高斯高通滤波器

高斯高通滤波器（GHPF）滤波器传递函数为
$H(u, v)=1-e^{-D^{2}(u, v) / 2 D_{0}^{2}}$

$D(u,v)=[(u-M/2)^2+(v-N/2)^2]^{1/2}$

将高斯高通滤波器用不同的方式可视化表达出来

在这里插入图片描述

实现的效果如下所示

在这里插入图片描述

至此，三种高通滤波器（理想、巴特沃兹，高通）都已经表示了出来，他们的空间表示如下所示（与前面顺序对应），可以看出三者在振铃效应上的区别

在这里插入图片描述

实现的代码如下所示

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image


def fourier_trans(src):
    """
    fourier transformation
        source: source image
        ctr_src: spectrum after fourier transformation and centralization
        plt_src: spectrum after log transformation
    """
    fft_src = np.fft.fft2(src)
    ctr_src = np.fft.fftshift(fft_src)
    plt_src = np.log(np.abs(ctr_src))

    return ctr_src, plt_src


def inv_fourier_trans(src):
    """
    inverse fourier transformation
        src: spectrums
        ifft_img: the image after inverse fourier transformation
    """
    inv_ctr_img = np.fft.ifftshift(src)
    ifft_img = np.fft.ifft2(inv_ctr_img)

    return ifft_img

def guass_high_pass_filter(source, radius = 5):
    # get the paras
    filter_radius = radius
    img = source
    
    # set paras for filter
    height,weight = img.shape
    center_h = int(height/2)
    center_w = int(weight/2)
    
    # initialize filter
    guass_high_pass_filter = np.zeros_like(img)
    
    # set the pass area
    for i in range(height):
        for j in range(weight):
            dist_from_center = np.sqrt(np.power((i-center_h),2) + np.power((j-center_w),2))
            guass_high_pass_filter[i][j] = 1 - np.exp(-(np.power(dist_from_center,2)/np.power(radius,2)))
    
    # filter the image
    filtered_img = np.multiply(img, guass_high_pass_filter)
    
    return filtered_img

img_path = "man.jpg"
src = np.array(Image.open(img_path).convert("L"))
fft_src, _ = fourier_trans(src)

img_list = [src]
radius_list = ['origin', 5, 15, 30, 50, 100]
for i in radius_list[1:]:
    img_list.append(inv_fourier_trans(guass_high_pass_filter(fft_src, i)))

img_list_name = radius_list

_, img_xy = plt.subplots(2, 3, figsize=(12, 12))

for i in range(2):
    for j in range(3):
        img_xy[i][j].imshow(np.abs(img_list[i * 3 + j]), cmap="gray")
        img_xy[i][j].set_title(img_list_name[i * 3 + j], size=20)
        img_xy[i][j].axis("off")

plt.show()

倦时眠

关注

15
点赞
踩
61

收藏

觉得还不错? 一键收藏
0
评论
数字图像处理 - 实验作业三 - Python

文章目录第四章频率域滤波1、实现图像的傅里叶变换，显示其幅度谱的图像（0 频在显示图像的中间位置）2、用理想低通滤波器在频率域实现低通滤波3、用理想高通滤波器在频率域实现低通滤波4、用巴特沃斯低通滤波器和高斯低通滤波器实现图像的低通滤波4.1 巴特沃斯低通滤波器4.2 高斯低通滤波器5、用巴特沃斯高通滤波器和高斯高通滤波器实现图像的高频增强5.1 巴特沃斯高通滤波器5.2 高斯高通滤波器第四章...
复制链接

扫一扫