要对原始图像进行频域滤波,需要先将其转换为频域图像。可以使用OpenCV中的dft函数来实现这一点。
示例代码:
```python import cv2 import numpy as np
读取图像并转换为灰度图像
img = cv2.imread('image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
进行二维离散傅里叶变换(DFT)
dft = cv2.dft(np.float32(gray), flags=cv2.DFTCOMPLEXOUTPUT)
将低频部分移到图像中心
dft_shift = np.fft.fftshift(dft)
构建理想高通滤波器
rows, cols = gray.shape crow, ccol = int(rows/2), int(cols/2) mask = np.zeros((rows, cols, 2), np.float32) mask[crow-30:crow+30, ccol-30:ccol+30] = 1
应用滤波器
fshift = dftshift * mask fishift = np.fft.ifftshift(fshift) filtered = cv2.idft(f_ishift) filtered = cv2.magnitude(filtered[:, :, 0], filtered[:, :, 1])
显示原始图像和滤波后的图像
cv2.imshow('Original', gray) cv2.imshow('Filtered', filtered.astype(np.uint8)) cv2.waitKey(0) cv2.destroyAllWindows() ```
在上面的示例代码中,我们首先读取原始图像,并将其转换为灰度图像。然后,我们使用cv2.dft函数将其转换为频域图像。接下来,我们将低频部分移到图像中心,并构建一个理想高通滤波器。最后,我们将滤波器应用于频域图像,并将其转换回空间域,以获得滤波后的图像。最后,我们使用cv2.imshow函数显示原始图像和滤波后的图像。
注意:上面的示例代码只是演示如何进行频域滤波。实际应用中,需要根据具体的需求选择合适的滤波器类型和参数。
★文末名片可以免费领取音视频开发学习资料,内容包括(FFmpeg ,webRTC ,rtmp ,hls ,rtsp ,ffplay ,srs)以及音视频学习路线图等等。
见下方!↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓