# --------------------------傅里叶变换
#
# 傅里叶变换的作用
#
# 高频: 变化剧烈的灰度分量,例如边界
# 低频: 变化缓慢的灰度变量,例如一片大海
# ------------------滤波
# 低通滤波器只保留低频,会使头像模糊。
# 高通滤波器只保留高频,会使图像细节增强。
# opencv主要就是cv2.dft()和cv2.idft(),输入图像需要先转换成np.float32格式
# 得到的结果中,频率为0的部分会在左上角。通常要转换到中心位置,可以通过shift变换化来实现
# cv2.dft()返回的结果是双通道的(实部,虚部),通常还需要转换成图像格式才能展示(0-255)
# import numpy as np
# import cv2
# from matplotlib import pyplot as plt
#
# img = cv2.imread('D:\\images\\tiger.jpg', 0)
# img_float32 = np.float32(img)
#
# dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# dft_shift = np.fft.fftshift(dft)
# # 得到灰度图像表示的形式
#
# mag = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
#
# plt.subplot(121), plt.imshow(img, cmap='gray')
# plt.title('Input Image'), plt.xticks([]), plt.yticks([])
# plt.subplot(122), plt.imshow(mag, cmap='gray')
# plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
# plt.show()
# ---------------------------------------低通滤波
'''
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步读入图片
img = cv2.imread('D:\\images\\tiger.jpg', 0) # 0表示灰度图
# 第二步:进行数据类型转换
img_float32 = np.float32(img) # 必须转换
# 第三步:使用cv2.dft进行傅里叶变化
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 第四步:使用np.fft.fftshift将低频转移到图像中心
dft_shift = np.fft.fftshift(dft) # 将左上角的低频移动至中心
# 第五步:定义掩模:生成的掩模中间为1周围为0
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2) # 中心位置,方便确定掩膜
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1
# 第六步:将掩模与傅里叶变化后图像相乘,保留中间部分
fshift = dft_shift * mask
# 第七步:使用np.fft.ifftshift(将低频移动到原来的位置
f_ishift = np.fft.ifftshift(fshift)
# 第八步:使用cv2.idft进行傅里叶的反变化
img_back = cv2.idft(f_ishift)
# 第九步:使用cv2.magnitude转化为空间域内
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 第十步:进行绘图操作
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()
'''
# -------------------------------高通滤波
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步读入图片
img = cv2.imread('D:\\images\\tiger.jpg', 0) # 0表示灰度图
# 第二步:进行数据类型转换
img_float32 = np.float32(img) # 必须转换
# 第三步:使用cv2.dft进行傅里叶变化
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 第四步:使用np.fft.fftshift将低频转移到图像中心
dft_shift = np.fft.fftshift(dft) # 将左上角的低频移动至中心
# 第五步:定义掩模:生成的掩模中间为1周围为0
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2) # 中心位置,方便确定掩膜
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0
# 第六步:将掩模与傅里叶变化后图像相乘,保留中间部分
fshift = dft_shift * mask
# 第七步:使用np.fft.ifftshift(将低频移动到原来的位置
f_ishift = np.fft.ifftshift(fshift)
# 第八步:使用cv2.idft进行傅里叶的反变化
img_back = cv2.idft(f_ishift)
# 第九步:使用cv2.magnitude转化为空间域内
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 第十步:进行绘图操作
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()
一 :傅里叶变换
几个函数的说明:
(1)cv2.dft()函数:进行傅里叶变化。
cv2.dft(原始图像,转换标识)
参数说明:
原始图像的格式必须是np.float32格式
转换标识一般是cv2.DFT_COMPLEX_OUTPUT用来输出一个复数阵列。
(2)np.fft.fftshift(img) 将图像中的低频部分移动到图像的中心。
参数说明:
img表示输入的图片
(3)cv2.magnitude(x,y)计算矩阵维度的平方根sqrt(x^2+y^2)
参数说明:
需要进行x和y平方的数。
(4)np.fft.ifftshift(img) 将图像的低频和高频部分移动到图像原来的位置。(注意和np.fft.fftshift(img)区别)
参数说明:
img表示输入的图片
(5) cv2.idft(img)进行傅里叶的逆变化
参数说明:
img表示经过傅里叶变化后的图片
import cv2
import numpy as np
import matplotlib.pyplot as plt
'''
第一步:载入图片
第二步:使用np.float32进行格式转换
第三步:使用cv2.dft进行傅里叶变化
第四步:使用np.fft.shiftfft将低频转移到中间位置
第五步:使用cv2.magnitude将实部和虚部投影到空间域
第六步:进行作图操作
'''
img = cv2.imread('D:\\images\\tiger.jpg',0)#0表示灰度图
img_float32 = np.float32(img)#必须转换
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)#将左上角的低频移动至中心
#得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))#0,1表示实部虚部两个通道,:,:,表示图像像素坐标,20*log,是将结果映射到0-255的公式
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'),plt.xticks([]),plt.yticks([])
plt.show()
输出
二 :再通过低通滤波能够得到
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步读入图片
img = cv2.imread('D:\\images\\tiger.jpg',0)#0表示灰度图
# 第二步:进行数据类型转换
img_float32 = np.float32(img)#必须转换
# 第三步:使用cv2.dft进行傅里叶变化
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
# 第四步:使用np.fft.fftshift将低频转移到图像中心
dft_shift = np.fft.fftshift(dft)#将左上角的低频移动至中心
# 第五步:定义掩模:生成的掩模中间为1周围为0
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2) #中心位置,方便确定掩膜
#低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 第六步:将掩模与傅里叶变化后图像相乘,保留中间部分
fshift = dft_shift*mask
# 第七步:使用np.fft.ifftshift(将低频移动到原来的位置
f_ishift = np.fft.ifftshift(fshift)
# 第八步:使用cv2.idft进行傅里叶的反变化
img_back = cv2.idft(f_ishift)
# 第九步:使用cv2.magnitude转化为空间域内
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
# 第十步:进行绘图操作
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Result'),plt.xticks([]),plt.yticks([])
plt.show()
得到的图像比原始图像更加模糊
三 通过高通滤波可以得到。
能够得到图片的轮廓。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 第一步读入图片
img = cv2.imread('D:\\images\\tiger.jpg', 0) # 0表示灰度图
# 第二步:进行数据类型转换
img_float32 = np.float32(img) # 必须转换
# 第三步:使用cv2.dft进行傅里叶变化
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 第四步:使用np.fft.fftshift将低频转移到图像中心
dft_shift = np.fft.fftshift(dft) # 将左上角的低频移动至中心
# 第五步:定义掩模:生成的掩模中间为1周围为0
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2) # 中心位置,方便确定掩膜
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0
# 第六步:将掩模与傅里叶变化后图像相乘,保留中间部分
fshift = dft_shift * mask
# 第七步:使用np.fft.ifftshift(将低频移动到原来的位置
f_ishift = np.fft.ifftshift(fshift)
# 第八步:使用cv2.idft进行傅里叶的反变化
img_back = cv2.idft(f_ishift)
# 第九步:使用cv2.magnitude转化为空间域内
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 第十步:进行绘图操作
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Result'), plt.xticks([]), plt.yticks([])
plt.show()