频域处理图像

read_image (Image, ‘./1.png’)
rgb1_to_gray(Image, Image)
get_image_size (Image, Width, Height)
fft_image(Image, ImageFFT)
*gauss参数越小 高频信息去除的越少，保留的高频信息越多，只去除最高频信号
gen_gauss_filter(ImageGauss, 3, 3, 0, ‘none’, ‘dc_center’, Width, Height)
convol_fft (ImageFFT, ImageGauss, ImageConvol)
fft_image_inv(ImageConvol, ImageBackGround)
sub_image (Image, ImageBackGround, ImageSub, 2, 100)
median_image (ImageSub, ImageMedian, ‘circle’, 2, ‘mirrored’)

Sigma1:=1 //小的值减去大的值 留下的是高频信号； gauss参数越小 高频信息去除的越少，保留的高频信息越多，只去除最高频信号
Sigma2:=100 //图像的高频信号是指图像中突变的位置 可以理解为梯度 梯度越大 频率越高 在频域图中越远离中心 //gauss越大 则只能通过低频 去除高频和中频

gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, ‘none’, ‘dc_center’, Width, Height)
gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, ‘none’, ‘dc_center’, Width, Height)
sub_image (GaussFilter1, GaussFilter2, ImageFilter, 1, 0)

convol_fft (ImageFFT, ImageFilter, ImageConvol1)
fft_image_inv(ImageConvol1, ImageBackGround1)

Sigma1:=0
Sigma2:=5

gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, ‘none’, ‘dc_center’, Width, Height)
gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, ‘none’, ‘dc_center’, Width, Height)
sub_image (GaussFilter1, GaussFilter2, ImageFilter, 1, 0)

convol_fft (ImageFFT, ImageFilter, ImageConvol1)
fft_image_inv(ImageConvol1, ImageBackGround2)

read_image (Image, ‘./1.png’)
get_image_size (Image, Width, Height)
rgb1_to_gray(Image, Image)
*GenGaussFilter (ImageFilter, 2, 210, Width, Height)，则是先让中高低频都通过，然后抑制高频，结果是让中低频通过。
*σ越大，分布越分散，各部分比重差别不大，于是生成的模板各元素值差别不大，类似于平均模板；
*σ越小，分布越集中，中间部分所占比重远远高于其他部分，
*反映到高斯模板上就是中心元素值远远大于其他元素值，于是自然而然就相当于中间值得点运算。

*当然，如果较大的那个值很大时，例如GenGaussFilter (ImageFilter, 2, 210, Width, Height)，则是先让中高低频都通过，然后抑制高频，结果是让中低频通过。
*以近似理解为先对图像进行值为30的高反差保留，然后对图像进行值为7的高斯模糊。注意：较大的值为高反差保留的值，较小的值为高斯模糊的值，跟7或30的顺序无关。
*较大的值 先通过高反差保留让中高频通过，然后较小的值通过高斯模糊抑制高频，最终的结果是让中频通过。
GenGaussFilter (ImageFilter, 5, 1000, Width, Height)

*即将图片从空间域转到频域，然后做一次卷积计算，最后从频域转回空间域。
*Sigma1 := 10.0，Sigma2 := 3.0 是针对频域图像进行滤波的，把频域图显示成“center”模式，
*就能理解的直观一些。Sigma1 := 10.0统计的低频成分范围要大一些，Sigma2 := 3.0统计的要更
*靠近中心低频部分。二者相减，就是去掉了某个频段的低频成分。Sigma2 :的数值调整，可以改变这
*个频带的位置。最终回到空间域就是高频成分的信息都不明显了，图像更模糊了。同时低频的背景更加模糊了
*一些点，线相对容易提取了。
*4.1傅里叶变换是有对称性的，频谱图像一般以图像中心为原点，左上与右下对称，右上与左下对称
*4.2频域图像中间一般为低频，由中心向外频率逐渐增加，每点越亮表示该频率特征突出，亮点越多表示频率成分越多，
*一般图像中心设置成低频，低频就是背景，背景的频率肯定大，所以中心亮
*4.3空间域原图中某方向变化剧烈，那么对应频谱中该方向就会出现相应的亮点，傅里叶反变换是从频域到空间域，
*一般实在频域中滤波后再反变换到时域空间域

• sigma:= 0
• 在频域中生成高斯低通滤波器 http://www.skcircle.com/?id=1479
• sigma越大，建立的滤波器能通过更多的信息
• sigma越小，建立的滤波器将滤去更多的尖锐信息
• gen_gauss_filter (ImageFilter, sigma, sigma, 0.0, ‘none’, ‘rft’, Width, Height)

rft_generic (Image, ImageFFT2, ‘to_freq’, ‘none’, ‘complex’, Width)
convol_fft (ImageFFT2, ImageFilter, ImageConvol2)
rft_generic (ImageConvol2, ImageFiltered2, ‘from_freq’, ‘n’, ‘real’, Width)

• gray_range_rect (ImageFiltered2, ImageFiltered2, 11, 11)
• invert_image (ImageFiltered2, ImageFiltered2)
  dev_display (ImageFiltered2)
  min_max_gray (Image, ImageFiltered2, 0, Min, Max, Range)
  intensity (Image, ImageFiltered2, Mean, Deviation)
  disp_message (3600, ‘Min:’ + Min + ’ ’ +‘Max:’ + Max +’ '+ ‘Mean:’ + Mean, ‘image’, 12, 12, ‘red’, ‘true’)
• dump_window (3600, ‘png’, ‘halcon_dump’)

*1.如果需要看频谱图是要进行傅里叶变换的，图像的傅里叶变换其实是将图像的灰度分布函数变换为图像的频率分布函数。
*2.图像的频域中的高频分量对应图像的细节信息，图像低频分量对应图像的背景信息。高频分量代表的是信号的突变部分（即灰度值梯度大），而低频分量决定信号的整体形象（即梯度小）。
*3.在频谱图中，可以看到亮度不同的点，这些点中亮度大就证明该点的梯度大（即高频分量），亮度小证明该点的梯度小（即低频分量）
*4.位置亮点多少 代表此频率多少

*1.一般图像中心设置成低频，低频就是背景，背景的频率成分越多，所以中心亮 位置亮点多少 代表此频率多少
*2.远的位置 频率大，但是比较暗代表频率成分少

*高斯模糊是一个低通滤波器，而高反差保留是一个高通滤波器。GenGaussFilter (ImageFilter, 2, 10, Width, Height)则是一个带通滤波器（或者说“带阻滤波器”）——先通过高反差保留让中高频通过，
*然后通过高斯模糊抑制高频，最终的结果是让中频通过。

*GenGaussFilter (ImageFilter, 7, 30, Width, Height)来说，可以近似理解为先对图像进行值为30的高反差保留（即图像高反差边缘的半径），然后对图像进行值为7的高斯模糊。注意：较大的值为高反差保留的值，
*较小的值为高斯模糊的值，跟7或30的顺序无关。 http://www.skcircle.com/?id=307

https://wenku.baidu.com/view/b0262fcd6194dd88d0d233d4b14e852459fb394d.html

Butterworth （巴特沃斯）滤波器设计参考

https://www.csdn.net/tags/Mtzagg1sNjE2MzAtYmxvZwO0O0OO0O0O.html
巴特沃斯滤波器

https://blog.csdn.net/zhaitianbao/article/details/117592985

https://wenku.baidu.com/view/bc8d5b8167ce0508763231126edb6f1afe00717b.html

4.图像频谱图上某点的亮暗则表示该频率下对应的灰度变化曲线的幅值(灰度峰值)的大小，如果原图像各点的灰度值为0，那么其对应的频谱图则没有亮点。

反之如果原图像灰度值有不为0的点，且灰度值均匀变化，则表现在频谱图上则是一个带有中心亮点的频谱图。例如， 一张灰色的图片对应频谱图如下（）

若频谱图中亮点越多，说明原图像中灰度变化的区域越多，图像越"复杂"(尖锐)；若频谱图中亮点越少，且越集中，说明原图像中灰度变化的区域较少，图像越"简单"(柔和)。

傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰.(https://blog.csdn.net/abcjennifer/article/details/7622228)