【OpenCV + Python】时域和频域&傅里叶变换

跟一维信号处理一样,傅里叶变化,把图像从“空域”变为“频率”。对于一幅图像,高频部分代表了图像的细节、纹理信息;低频部分代表了图像的轮廓信息。如果对一幅精细的图像使用低通滤波器,那么滤波后的结果就剩下了轮廓了。这与信号处理的基本思想是相通的。如果图像受到的噪声恰好位于某个特定的“频率”范围内,则可以通过滤波器来恢复原来的图像。
时域是指时间域,频域是指频率域。时域和频域是信号的基本性质。频率(单位时间内完成周期性变化的次数)。

时域是指时间域,频域是指频率域。

1、时域(时间域)——自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x(t)是描述信号在不同时刻取值的函数。

2、频域(频率域)——自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。
下面是图文讲解:在这里插入图片描述
图1是正弦波的时域图,示出了振幅与时间的关系。

在时域图中,横轴是时间,纵轴是振幅。

时域图显示振幅随时间的变化,可以看出峰值振幅为5V,可以算出频率f=6 Hz。
在这里插入图片描述
图2是图1中正弦波的频域图
在频域图中,横轴是频率,纵轴是峰值振幅。
频域图仅仅示出峰值振幅与频率,而不显示振幅随时间的变化。
从频域图可以看出,正弦波的频率为6Hz,这个6Hz的正弦波的峰值振幅为5V 。
频域图的优点是,从频域图中,可以一眼看出正弦波的频率和峰值振幅
整个正弦波在频域图上只是一个立柱
立柱的位置显示了正弦波的频率
立柱的高度显示了正弦波的峰值振幅

傅里叶变换物理意义(下面是摘抄部分):
在这里插入图片描述
这就得出了一个结论:傅里叶变换后的白色部分(即幅度较大的低频部分),表示的是图像中慢变化的特性,或者说是灰度变化缓慢的特性(低频部分)。
傅里叶变换后的黑色部分(即幅度低的高频部分),表示图像中快变化的特性,或者说是灰度变化快的特性(高频部分)。

一幅图像,经过傅里叶变换后,将高频部分删除,再进行反变换,设想一下将会得到什么结果?

在频谱图上,白色的斑点、噪声和边界等会表现为高频部分,所以通过滤去高频,可以降噪(图像的频谱函数统计特征:图像的大部分能量集中在低频和中频中,高频部分的分量很弱,仅仅体现了图像的某些细节。因此,滤波器滤噪,也就是除去高频部分、能量低的部分)。傅里叶变换将时域转换为频域,对频域图像进行消噪,然后再反变换为时域,就达到了消除噪声的效果。

傅里叶变换结果的对应关系(转:https://blog.csdn.net/Replus_/article/details/81945495):
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
一张图像可以看做是多个甚至无数个有规律的子图像的叠加(这里说的有规律指的是图像上的像素是呈周期性变化的)。所以图像频谱中的某一个像素它的值就反应了某一个子图像的频率。并且,如果一个图像的频谱的size是101 * 101。那么就可以进一步理解为这个图像是由51 * 51个有规律的子图像叠加而成的(因为图像的频谱是一个关于中心对称的图像,所以要对width和hight同时除以2)。

  • 6
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 傅里变换是一种将信号从时域转换到的数学方法。在图像处理中,傅里变换可以用来分析图像的率特征,例如图像中的边缘和纹理。Python中的OpenCV库提供了傅里变换的实现,可以通过调用cv2.dft()函数来进行傅里变换傅里变换可以用于图像增强、滤波和压缩等应用。 ### 回答2: Python OpenCV库提供了傅里变换函数来进行图像处理。傅里变换将图像信号转换成信号,可以用来分析和处理图像的谱信息。它是基于傅里分析原理设计的一种算法,可以将信号分解为不同率成分的叠加,从而对信号进行分析。 在OpenCV中使用傅里变换需要首先导入库和读入图像,然后通过函数cv2.dft()对图像进行傅里变换。此外,为了更好地展示信息,还需要进行幅度和相位的变换,通过cv2.magnitude()和cv2.phase()函数,我们可以获取傅里变换的幅度和相位。 图像的傅里变换进行后,我们可以对结果进行谱分析和滤波。通过将图像转回到空图像,使用cv2.idft()函数可以得到图像的逆变换傅里变换是数字信号处理中的一种重要工具,广泛应用于图像、音等领。在图像处理方面,傅里变换可以帮助我们分析图像的谱分布,对图像进行滤波、增强和压缩等操作,从而得到更好的图像效果。例如,我们可以使用低通滤波器去除图像中的高噪声,使用高通滤波器去除低信号,得到更高质量的图像。 总结起来,Python OpenCV中的傅里变换是图像处理中的重要工具,可以用于对图像进行分析、滤波和增强等操作。它是数字信号处理的一种基础算法,应用广泛,具有广泛的应用前景。 ### 回答3: Python OpenCV中的傅里变换是一个非常强大的工具,被广泛应用于图像和信号处理领傅里变换主要是将一个函数在时域的表示转换为在的表示,进而分析该函数中所包含的各个率成分的强弱和相位信息。 Python OpenCV中实现傅里变换有两种方法:一种是使用numpy中的fft库,另一种是使用OpenCV自带的dft函数。 对于使用numpy中的fft库,需要先对图像进行二维傅里变换,并对谱进行平移操作。代码如下: ``` import cv2 import numpy as np img = cv2.imread("test.jpg", 0) dft = np.fft.fft2(img) dft_shift = np.fft.fftshift(dft) magnitude_spectrum = 20 * np.log(np.abs(dft_shift)) cv2.imshow("Magnitude Spectrum", magnitude_spectrum) cv2.waitKey(0) cv2.destroyAllWindows() ``` 其中读取图像的方法可以通过cv2.imread()实现,0表示以灰度图像的方式读取;将图像进行二维傅里变换则是通过numpy中的fft.fft2()实现的;谱平移则是通过numpy中的fft.fftshift()实现的;最后再通过20*np.log(np.abs())计算幅值谱,并将其图像化。这里的20*np.log()是为了将幅度值转为对数尺度,更好地显示出谱中的差异。 另一种实现傅里变换的方法是在OpenCV中使用dft函数。这种方法与使用numpy的fft库的区别在于dft函数返回的是一个复数矩阵,需要取其幅度值并进行平移操作。代码如下: ``` import cv2 import numpy as np img = cv2.imread("test.jpg", 0) dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) cv2.imshow("Magnitude Spectrum", magnitude_spectrum) cv2.waitKey(0) cv2.destroyAllWindows() ``` 需要注意的是,需要将读取的图像转换为float32类型,并设置dft函数的flags参数为cv2.DFT_COMPLEX_OUTPUT。最后通过cv2.magnitude()函数计算幅值谱,实现图像化显示。 总的来说,Python OpenCV中的傅里变换是一项极其有用的功能,可以帮助我们更好地分析图像的特征。当然,我们还可以进一步进行傅里变换的逆变换,将的表示恢复到时域的表示。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值