咸鱼哥学python OpenCV之傅里叶变换

迷南。 2023-02-26 02:28 9阅读 0赞

傅里叶变换主要是用在滤波  
**低频在中间，高频往两边发散；**  
高通滤波：细节增强  
低通滤波：图像模糊

**用到的是cv.dft(), cv.ifft()，图像首先要转为np.float21格式  
得到的结果中频率为0的在左上角，通常需要转到中心位置，可以通过shift变化来实现；  
cv.dft()返回的结果是双通道的，还是需要转换才能成为图像格式；**

import cv2 as cv
    import matplotlib.pyplot as plt
    import numpy as np
    path = r'F:\Python_study\python_image\opencv\image\lena.png'
    img = cv.imread(path,0)
    img_float32 = np.float32(img)
    
    dft = cv.dft(img_float32, flags=cv.DFT_COMPLEX_OUTPUT)
    dft_shift = np.fft.fftshift(dft)
    # 得到灰度图像的表示形式
    magnitude_sqectrum = 20*np.log(cv.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]))
    plt.subplot(121)
    plt.imshow(img, cmap='gray')
    plt.title('input')
    plt.xticks([]), plt.yticks([])
    plt.subplot(122)
    plt.imshow(magnitude_sqectrum, cmap='gray')
    plt.title('mangnitude_sqectrum')
    plt.xticks([])
    plt.yticks([])
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70]

**低频会让图像变模糊**

rows, cols = img.shape
    row_m, cols_m = int(rows/2), int(cols/2)
    
    # 低通滤波
    mask = np.zeros((rows, cols,2), np.uint8)
    # 中心位置
    mask[cols_m-30:cols_m+30, row_m-30:row_m+30] = 1
    
    # 逆变换
    fshift = dft_shift*mask
    f_shift = np.fft.fftshift(fshift)
    img_back = cv.idft(f_shift)
    img_back = cv.magnitude(img_back[:,:,0], img_back[:,:,1])
    plt.subplot(121), plt.imshow(img, cmap='gray')
    plt.xticks([]), plt.yticks([]), plt.title('input')
    plt.subplot(122), plt.imshow(img_back, cmap='gray')
    plt.xticks([]), plt.yticks([]), plt.title('ifft')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70 1]

**高频会变的更加锐利**

rows, cols = img.shape
    row_m, cols_m = int(rows/2), int(cols/2)
    
    # 高通滤波
    mask = np.ones((rows, cols,2), np.uint8)
    # 中心位置
    mask[cols_m-30:cols_m+30, row_m-30:row_m+30] = 0
    
    # 逆变换
    fshift = dft_shift*mask
    f_shift = np.fft.fftshift(fshift)
    img_back = cv.idft(f_shift)
    img_back = cv.magnitude(img_back[:,:,0], img_back[:,:,1])
    plt.subplot(121), plt.imshow(img, cmap='gray')
    plt.xticks([]), plt.yticks([]), plt.title('input')
    plt.subplot(122), plt.imshow(img_back, cmap='gray')
    plt.xticks([]), plt.yticks([]), plt.title('ifft')
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70 2]  
**总结：**  
使用傅里叶变换可以避免直接在原图像上操作，能够提高效率。如果使用numba加速，傅里叶变换的速度会更快，同样，也可以使用numpy中的fft, ifft进行加速计算。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70]: /images/20230209/9aeebea5303c4c71baf87425be311599.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70 1]: /images/20230209/27274f7ae7ad4d488a5420017c9682c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NTg4NTIzMg_size_16_color_FFFFFF_t_70 2]: /images/20230209/5fee4854d7c24e4ab80144a75f099fb5.png