傅里叶变换
最编程
2024-08-14 14:17:25
...
1.numpy实现傅里叶变换
- numpy.fft.fft2函数
功能:实现傅里叶变换并返回一个复数数组
-
numpy.fft.fftshifthans
功能:将零频率分量移到频谱中心
- 20*np.log(np.abs(fshift))
功能:设置频谱范围,将复数形式结果映射到[0,255]之间
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
result = 20 * np.log(np.abs(fshift))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('time')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('frequence')
plt.axis('off')
plt.show()
2.numpy实现逆傅里叶变换
- 傅里叶过程可逆,可在频域对图像进行处理,在频域的处理会反应在逆变换上
- numpy.fft.ifft2函数
功能:实现逆傅里叶变换,返回一个复数数组
- numpy.fft.ifftshift函数
功能:fftshift逆函数
- iimg = np.abs(逆傅里叶变化结果)
功能:将结果映射到[0,255]区间
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
ifshift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ifshift)
iimg = np.abs(iimg)
# result = 20 * np.log(np.abs(fshift))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('img')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('iimg')
plt.axis('off')
plt.show()
3.滤波概念
- 概念
a.低频对应图像中变换缓慢的灰度分量;高频对应图像中变化快的灰度分量
b.通过低频分量的滤波器为低通滤波器,通过高频分量的滤波器为高通滤波器
c.用途:图像增强,图像去噪,边缘检测,特征提取,压缩,加密等
d.低通滤波器会将图像变模糊,高通滤波器将增强尖锐的细节,但会使图像对比度降低
4.高通滤波
-
通常采用寻找低频区域直接对频谱图进行操作,即直接将频谱图中心区域置0
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
# 求频谱图像中心点
rows, cols = fshift.shape
crows, ccols = int(rows/2), int(cols/2)
# 将低频部分置0
fshift[crows-20:crows+20, ccols-20:ccols+20] = 0
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
5.低通滤波
-
采用掩膜操作构造低通滤波器滤除高频区域
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 时域转频域
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
# 低通滤波器制作
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
mask = np.zeros((rows, cols, 1), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 逆转换
fshift = dftshift * mask
ifshift = np.fft.ifftshift(fshift)
iimg = cv2.idft(ifshift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
# 展示
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
6.OpenCV实现傅里叶变换
- 返回结果 = cv2.dft(原始图像, 转换标识)
原始图像:输入图像先转换为np.float32格式,np.float32(img)
转换标识:flag = cv2.DFT_COMPLEX_OUTPUT
,输出复数阵列
返回结果:返回双通道,通道1结果为实数部分,通道2为虚数部分
- 返回值 = cv2.magnitude(参数1, 参数2)
功能:将双通道二维矩阵[实部,虚部]转换为实部+虚部形式,便于图像展示
参数1:实部
参数2:虚部
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
# 注意格式转换和参数,此处所得结果为二维矩阵,而np.fft.fft2为一维矩阵
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
# 移位
dftshift = np.fft.fftshift(dft)
# 计算幅度,区间映射,得到频谱图
result = 20 * np.log(cv2.magnitude(dftshift[:, :, 0], dftshift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
7.OpenCV实现逆傅里叶变换
- 返回结果 = cv2.idft(原始数据)
返回结果:取决于原始数据的类型和大小
原始数据:实数或复数均可
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
功能:实现傅里叶变换并返回一个复数数组
numpy.fft.fftshifthans
功能:将零频率分量移到频谱中心
功能:设置频谱范围,将复数形式结果映射到[0,255]之间
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
result = 20 * np.log(np.abs(fshift))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('time')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('frequence')
plt.axis('off')
plt.show()
- 傅里叶过程可逆,可在频域对图像进行处理,在频域的处理会反应在逆变换上
- numpy.fft.ifft2函数
功能:实现逆傅里叶变换,返回一个复数数组 - numpy.fft.ifftshift函数
功能:fftshift逆函数 - iimg = np.abs(逆傅里叶变化结果)
功能:将结果映射到[0,255]区间
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
ifshift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ifshift)
iimg = np.abs(iimg)
# result = 20 * np.log(np.abs(fshift))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('img')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('iimg')
plt.axis('off')
plt.show()
3.滤波概念
- 概念
a.低频对应图像中变换缓慢的灰度分量;高频对应图像中变化快的灰度分量
b.通过低频分量的滤波器为低通滤波器,通过高频分量的滤波器为高通滤波器
c.用途:图像增强,图像去噪,边缘检测,特征提取,压缩,加密等
d.低通滤波器会将图像变模糊,高通滤波器将增强尖锐的细节,但会使图像对比度降低
4.高通滤波
-
通常采用寻找低频区域直接对频谱图进行操作,即直接将频谱图中心区域置0
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
# 求频谱图像中心点
rows, cols = fshift.shape
crows, ccols = int(rows/2), int(cols/2)
# 将低频部分置0
fshift[crows-20:crows+20, ccols-20:ccols+20] = 0
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
5.低通滤波
-
采用掩膜操作构造低通滤波器滤除高频区域
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 时域转频域
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
# 低通滤波器制作
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
mask = np.zeros((rows, cols, 1), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 逆转换
fshift = dftshift * mask
ifshift = np.fft.ifftshift(fshift)
iimg = cv2.idft(ifshift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
# 展示
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
6.OpenCV实现傅里叶变换
- 返回结果 = cv2.dft(原始图像, 转换标识)
原始图像:输入图像先转换为np.float32格式,np.float32(img)
转换标识:flag = cv2.DFT_COMPLEX_OUTPUT
,输出复数阵列
返回结果:返回双通道,通道1结果为实数部分,通道2为虚数部分
- 返回值 = cv2.magnitude(参数1, 参数2)
功能:将双通道二维矩阵[实部,虚部]转换为实部+虚部形式,便于图像展示
参数1:实部
参数2:虚部
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
# 注意格式转换和参数,此处所得结果为二维矩阵,而np.fft.fft2为一维矩阵
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
# 移位
dftshift = np.fft.fftshift(dft)
# 计算幅度,区间映射,得到频谱图
result = 20 * np.log(cv2.magnitude(dftshift[:, :, 0], dftshift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
7.OpenCV实现逆傅里叶变换
- 返回结果 = cv2.idft(原始数据)
返回结果:取决于原始数据的类型和大小
原始数据:实数或复数均可
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
a.低频对应图像中变换缓慢的灰度分量;高频对应图像中变化快的灰度分量
b.通过低频分量的滤波器为低通滤波器,通过高频分量的滤波器为高通滤波器
c.用途:图像增强,图像去噪,边缘检测,特征提取,压缩,加密等
d.低通滤波器会将图像变模糊,高通滤波器将增强尖锐的细节,但会使图像对比度降低
-
通常采用寻找低频区域直接对频谱图进行操作,即直接将频谱图中心区域置0
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
# 求频谱图像中心点
rows, cols = fshift.shape
crows, ccols = int(rows/2), int(cols/2)
# 将低频部分置0
fshift[crows-20:crows+20, ccols-20:ccols+20] = 0
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
5.低通滤波
-
采用掩膜操作构造低通滤波器滤除高频区域
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 时域转频域
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
# 低通滤波器制作
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
mask = np.zeros((rows, cols, 1), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 逆转换
fshift = dftshift * mask
ifshift = np.fft.ifftshift(fshift)
iimg = cv2.idft(ifshift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
# 展示
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
6.OpenCV实现傅里叶变换
- 返回结果 = cv2.dft(原始图像, 转换标识)
原始图像:输入图像先转换为np.float32格式,np.float32(img)
转换标识:flag = cv2.DFT_COMPLEX_OUTPUT
,输出复数阵列
返回结果:返回双通道,通道1结果为实数部分,通道2为虚数部分
- 返回值 = cv2.magnitude(参数1, 参数2)
功能:将双通道二维矩阵[实部,虚部]转换为实部+虚部形式,便于图像展示
参数1:实部
参数2:虚部
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
# 注意格式转换和参数,此处所得结果为二维矩阵,而np.fft.fft2为一维矩阵
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
# 移位
dftshift = np.fft.fftshift(dft)
# 计算幅度,区间映射,得到频谱图
result = 20 * np.log(cv2.magnitude(dftshift[:, :, 0], dftshift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
7.OpenCV实现逆傅里叶变换
- 返回结果 = cv2.idft(原始数据)
返回结果:取决于原始数据的类型和大小
原始数据:实数或复数均可
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
采用掩膜操作构造低通滤波器滤除高频区域
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 时域转频域
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
# 低通滤波器制作
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
mask = np.zeros((rows, cols, 1), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 逆转换
fshift = dftshift * mask
ifshift = np.fft.ifftshift(fshift)
iimg = cv2.idft(ifshift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
# 展示
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
- 返回结果 = cv2.dft(原始图像, 转换标识)
原始图像:输入图像先转换为np.float32格式,np.float32(img)
转换标识:flag = cv2.DFT_COMPLEX_OUTPUT
,输出复数阵列
返回结果:返回双通道,通道1结果为实数部分,通道2为虚数部分 - 返回值 = cv2.magnitude(参数1, 参数2)
功能:将双通道二维矩阵[实部,虚部]转换为实部+虚部形式,便于图像展示
参数1:实部
参数2:虚部
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
# 注意格式转换和参数,此处所得结果为二维矩阵,而np.fft.fft2为一维矩阵
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
# 移位
dftshift = np.fft.fftshift(dft)
# 计算幅度,区间映射,得到频谱图
result = 20 * np.log(cv2.magnitude(dftshift[:, :, 0], dftshift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
7.OpenCV实现逆傅里叶变换
- 返回结果 = cv2.idft(原始数据)
返回结果:取决于原始数据的类型和大小
原始数据:实数或复数均可
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
返回结果:取决于原始数据的类型和大小
原始数据:实数或复数均可
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("images/cat.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftshift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftshift)
iimg = cv2.idft(ishift)
iimg = cv2.magnitude(iimg[:, :, 0], iimg[:, :, 1])
plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap='gray')
plt.title('result')
plt.axis('off')
plt.show()
推荐阅读
-
【Matlab】快速傅里叶变换/ FFT/ fftshift/ fftshift(fft(fftshift(s)))
-
学习Python图像处理的必备技能:傅里叶变换原理及实现详解
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
实现傅里叶变换的Matlab代码
-
数字图像处理实验(二)|图像变换{离散傅里叶变换fft2,离散余弦变换dct2、频谱平移fftshift}(附实验代码和截图)
-
使用Python快速实现图像的傅里叶变换和离散余弦变换
-
使用Matlab进行快速傅里叶变换(FFT)
-
离散余弦傅里叶变换python滤波 离散傅里叶变换代码
-
cv2实现傅里叶变换---OpenCV-Python开发指南(32)
-
MATLAB函数fft2在进行二维傅里叶变换时需要注意的要点(包括二维傅里叶变换的物理意义、使用im2double、fftshift、abs和imshow函数)