本文链接：https://blog.csdn.net/youcans/article/details/122660873

【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

3. 频率域低通滤波器

空间域滤波器和频率域滤波器实际上是相互对应的，有些空间域滤波器在频率域通过傅里叶变换实现会更方便、更快速。

3.2 频率域图像滤波的步骤

上节例程中通过一个简单的低通滤波遮罩 mask 与图像傅里叶变换 dftShift 相乘，使傅里叶变换的高频部分为 0，从而屏蔽原始图像中高频信号，实现了低通滤波。

频率域图像滤波，首先对原图像 $f (x, y)$ 经傅里叶变换为 $F (u, v)$ ，然后用适当的滤波器函数 $H (u, v)$ 对傅里叶变换 $F (u, v)$ 的频谱成分进行修改，最后通过傅里叶逆变换（IDFT）返回空间域，得到增强的图像 $g (x, y)$ 。

$\xrightarrow {DFT} F(u,v) \xrightarrow [滤波] {H(u,v)} G(u,v) \xrightarrow {IDFT} g(x,y)$

频率域图像滤波的基本步骤如下：

（1）对原始图像 $f (x, y)$ 进行傅里叶变换，得到 $F (u, v)$ ；
（2）将图像的傅里叶变换 $F (u, v)$ 与传递函数 $H (u, v)$ 进行卷积运算，得到滤波后的频谱 $G (u, v)$ ；
（3）对 $G (u, v)$ 进行傅里叶逆变换，得到增强图像 $g (x, y)$ 。

例程 8.15：频率域图像滤波的一般步骤

# OpenCVdemo08.py
# Demo08 of OpenCV
# 8. 图像的频率域滤波
# Copyright 2021 Youcans, XUPT
# Crated：2021-12-15

    # # 8.15：频率域图像滤波的一般步骤 (本例对应于 冈萨雷斯 数字图像处理第四版 P183 图4.35)
    imgGray = cv2.imread("../images/Fig0431.tif", flags=0)  # flags=0 读取为灰度图像
    H, W = imgGray.shape[:2]  # 图片的高度(H)和宽度(W)
    P, Q = 2*H, 2*W
    # centerY, centerX = int(H/2), int(W/2)  # 图片中心
    fig = plt.figure(figsize=(10, 6))

    # 这里对原图像进行pad，以得到更好的显示
    imgDouble = np.ones([2*H, 2*W]) * 255
    imgDouble[:H, W:] = imgGray # 原始图像位于右上侧
    plt.subplot(241), plt.axis('off'), plt.title("Origin")
    # plt.imshow(imgDouble, cmap='gray')
    plt.imshow(imgGray, cmap='gray')

    fp = np.pad(imgGray, ((0,H), (0,W)), mode='constant')  # 零填充
    plt.subplot(242), plt.axis('off'), plt.title("ZeroFilled")
    plt.imshow(fp, cmap='gray')

    # 中心化
    mask = np.ones(fp.shape)
    mask[1::2, ::2] = -1
    mask[::2, 1::2] = -1
    fpCen = fp * mask
    fpCenShow = np.clip(fpCen, 0, 255)  # 截断函数，将数值限制在 [0,255]
    print("fpCenShow.shape", fpCenShow.shape, fpCenShow.min(), fpCenShow.max())
    plt.subplot(243), plt.axis('off'), plt.title("Centralization")
    plt.imshow(fpCenShow, cmap='gray')

    # cv2.dft 实现图像的傅里叶变换
    imgFloat32 = np.float32(fp)  # 将图像转换成 float32
    dft = cv2.dft(imgFloat32, flags=cv2.DFT_COMPLEX_OUTPUT)  # 傅里叶变换
    dftShift = np.fft.fftshift(dft)  # 将低频分量移动到频域图像的中心
    dftShiftAmp = cv2.magnitude(dftShift[:,:,0], dftShift[:,:,1])  # 幅度谱，中心化
    dftAmpLog = np.log(1 + dftShiftAmp)  # 幅度谱对数变换，以便于显示
    plt.subplot(244), plt.axis('off'), plt.title("DFTshift")
    plt.imshow(dftAmpLog, cmap='gray')

    # Gauss low_pass filter: 1/(2*pi*s2) * exp(-(x**2+y**2)/(2*s2))
    sigma2 = 0.005  # square of sigma
    x, y = np.mgrid[-1:1:1.0/H, -1:1:1.0/W]
    z = 1 / (2 * np.pi * sigma2) * np.exp(-(x**2 + y**2) / (2*sigma2))
    # maskGauss = np.uint8(255 * (z - z.min()) / (z.max() - z.min()))
    maskGauss = np.uint8(cv2.normalize(z, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]
    print("maskGauss.shape", maskGauss.shape, maskGauss.min(), maskGauss.max())
    plt.subplot(245), plt.axis('off'), plt.title("Gauss low-pass")
    plt.imshow(maskGauss, cmap='gray')

    maskGauss2 = np.zeros((maskGauss.shape[0], maskGauss.shape[1], 2), np.uint8)
    maskGauss2[:, :, 0] = maskGauss
    maskGauss2[:, :, 1] = maskGauss
    dftTrans = dftShift * maskGauss2  # 修改傅里叶变换实现滤波
    dftTransAmp = cv2.magnitude(dftTrans[:,:,0], dftTrans[:,:,1])  # 幅度谱，中心化
    dftTransLog = np.log(1 + dftTransAmp)  # 幅度谱对数变换，以便于显示
    plt.subplot(246), plt.axis('off'), plt.title("DFT Trans")
    plt.imshow(dftTransLog, cmap='gray')

    # 通过傅里叶逆变换返回空间域
    ishift = np.fft.ifftshift(dftTrans)  # 将低频逆转换回图像四角
    idft = cv2.idft(ishift)  # 逆傅里叶变换
    idftMag = cv2.magnitude(idft[:,:,0], idft[:,:,1])  # 重建图像
    plt.subplot(247), plt.axis('off'), plt.title("IDFT rebuild")
    plt.imshow(idftMag, cmap='gray')

    imgRebuild = idftMag[:H, :W]
    plt.subplot(248), plt.axis('off'), plt.title("DFT filtered")
    plt.imshow(imgRebuild, cmap='gray')

    plt.tight_layout()
    plt.show()

在这里插入图片描述

（本节完）

youcans@xupt 原创作品，转载必须标注原文链接

Crated：2022-1-20

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

【OpenCV 例程200篇】01. 图像的读取（cv2.imread）
【OpenCV 例程200篇】02. 图像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 图像的显示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 例程200篇】05. 图像的属性（np.shape）
【OpenCV 例程200篇】06. 像素的编辑（img.itemset）
【OpenCV 例程200篇】07. 图像的创建（np.zeros）
【OpenCV 例程200篇】08. 图像的复制（np.copy）
【OpenCV 例程200篇】09. 图像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 图像的拼接（np.hstack）
【OpenCV 例程200篇】11. 图像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 图像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 图像的加法运算（cv2.add）
【OpenCV 例程200篇】14. 图像与标量相加（cv2.add）
【OpenCV 例程200篇】15. 图像的加权加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的图像加法
 【OpenCV 例程200篇】17. 两张图像的渐变切换
 【OpenCV 例程200篇】18. 图像的掩模加法
 【OpenCV 例程200篇】19. 图像的圆形遮罩
 【OpenCV 例程200篇】20. 图像的按位运算
 【OpenCV 例程200篇】21. 图像的叠加
 【OpenCV 例程200篇】22. 图像添加非中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】24. 图像的仿射变换
 【OpenCV 例程200篇】25. 图像的平移
 【OpenCV 例程200篇】26. 图像的旋转（以原点为中心）
【OpenCV 例程200篇】27. 图像的旋转（以任意点为中心）
【OpenCV 例程200篇】28. 图像的旋转（直角旋转）
【OpenCV 例程200篇】29. 图像的翻转（cv2.flip）
【OpenCV 例程200篇】30. 图像的缩放（cv2.resize）
【OpenCV 例程200篇】31. 图像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 图像的扭变（错切）
【OpenCV 例程200篇】33. 图像的复合变换
 【OpenCV 例程200篇】34. 图像的投影变换
 【OpenCV 例程200篇】35. 图像的投影变换（边界填充）
【OpenCV 例程200篇】36. 直角坐标与极坐标的转换
 【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理
 【OpenCV 例程200篇】38. 图像的反色变换（图像反转）
【OpenCV 例程200篇】39. 图像灰度的线性变换
 【OpenCV 例程200篇】40. 图像分段线性灰度变换
 【OpenCV 例程200篇】41. 图像的灰度变换（灰度级分层）
【OpenCV 例程200篇】42. 图像的灰度变换（比特平面分层）
【OpenCV 例程200篇】43. 图像的灰度变换（对数变换）
【OpenCV 例程200篇】44. 图像的灰度变换（伽马变换）
【OpenCV 例程200篇】45. 图像的灰度直方图
 【OpenCV 例程200篇】46. 直方图均衡化
 【OpenCV 例程200篇】47. 图像增强—直方图匹配
 【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
 【OpenCV 例程200篇】49. 图像增强—局部直方图处理
 【OpenCV 例程200篇】50. 图像增强—直方图统计量图像增强
 【OpenCV 例程200篇】51. 图像增强—直方图反向追踪
 【OpenCV 例程200篇】52. 图像的相关与卷积运算
 【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
 【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
 【OpenCV 例程200篇】55. 可分离卷积核
 【OpenCV 例程200篇】56. 低通盒式滤波器
 【OpenCV 例程200篇】57. 低通高斯滤波器
 【OpenCV 例程200篇】58. 非线性滤波—中值滤波
 【OpenCV 例程200篇】59. 非线性滤波—双边滤波
 【OpenCV 例程200篇】60. 非线性滤波—联合双边滤波
 【OpenCV 例程200篇】61. 导向滤波（Guided filter）
【OpenCV 例程200篇】62. 图像锐化——钝化掩蔽
 【OpenCV 例程200篇】63. 图像锐化——Laplacian 算子
 【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
 【OpenCV 例程200篇】65. 图像锐化——Scharr 算子
 【OpenCV 例程200篇】66. 图像滤波之低通/高通/带阻/带通
 【OpenCV 例程200篇】67. 空间域图像增强的综合应用
 【OpenCV 例程200篇】68. 空间域图像增强的综合应用
 【OpenCV 例程200篇】69. 连续非周期信号的傅立叶系数
 【OpenCV 例程200篇】70. 一维连续函数的傅里叶变换
 【OpenCV 例程200篇】71. 连续函数的取样
 【OpenCV 例程200篇】72. 一维离散傅里叶变换
 【OpenCV 例程200篇】73. 二维连续傅里叶变换
 【OpenCV 例程200篇】74. 图像的抗混叠
 【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
 【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
 【OpenCV 例程200篇】77. OpenCV 实现快速傅里叶变换
 【OpenCV 例程200篇】78. 频率域图像滤波基础
 【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤
 【OpenCV 例程200篇】80. 频率域图像滤波详细步骤
 【OpenCV 例程200篇】81. 频率域高斯低通滤波器
 【OpenCV 例程200篇】82. 频率域巴特沃斯低通滤波器
 【OpenCV 例程200篇】83. 频率域低通滤波：印刷文本字符修复
 【OpenCV 例程200篇】84. 由低通滤波器得到高通滤波器
 【OpenCV 例程200篇】85. 频率域高通滤波器的应用
 【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
 【OpenCV 例程200篇】87. 频率域钝化掩蔽
 【OpenCV 例程200篇】88. 频率域拉普拉斯高通滤波
 【OpenCV 例程200篇】89. 带阻滤波器的传递函数
 【OpenCV 例程200篇】90. 频率域陷波滤波器
 【OpenCV 例程200篇】91. 高斯噪声、瑞利噪声、爱尔兰噪声
 【OpenCV 例程200篇】92. 指数噪声、均匀噪声、椒盐噪声
 【OpenCV 例程200篇】93. 噪声模型的直方图
 【OpenCV 例程200篇】94. 算术平均滤波器
 【OpenCV 例程200篇】95. 几何均值滤波器
 【OpenCV 例程200篇】96. 谐波平均滤波器
 【OpenCV 例程200篇】97. 反谐波平均滤波器
 【OpenCV 例程200篇】98. 统计排序滤波器
 【OpenCV 例程200篇】99. 修正阿尔法均值滤波器
 【OpenCV 例程200篇】100. 自适应局部降噪滤波器