OpenCV半小時掌握基本操作之傅里葉變換
發(fā)布日期：2022-02-01 10:17 | 文章來源：源碼中國
概述
OpenCV 是一個跨平臺的計算機視覺庫, 支持多語言, 功能強大. 今天小白就帶大家一起攜手走進(jìn) OpenCV 的世界.
高頻 vs 低頻
高頻 vs 低頻:
- 高頻: 變換劇烈的灰度分量, 例如邊界
- 低頻: 變換緩慢的灰度分量, 例如一片大海
濾波:
- 低通濾波器: 只保留低頻, 會使得圖像模糊
- 高通濾波器: 只保留高頻, 會使得圖像細(xì)節(jié)增強
傅里葉變換
傅里葉變化 (Fourier Transform) 是一種分析信號的方法. 傅里葉變化可分析信號的成分, 也可以用這些成分合成信號.
效果:
傅里葉變換:
傅里葉逆變換:
在 OpenCV 中實現(xiàn)傅里葉變換的函數(shù)是cv2.dft()和cv2.idft()(傅里葉逆變化)
代碼詳解
輸入轉(zhuǎn)換
傅里葉變換支持的輸入格式是np.float32, 所以我們需要先把圖像轉(zhuǎn)換到要求的格式.
代碼實現(xiàn):
import numpy as np
import cv2
# 讀取圖片, 并轉(zhuǎn)換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數(shù)據(jù)類型
# 轉(zhuǎn)換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數(shù)據(jù)類型
輸出結(jié)果:
uint8
float32
傅里葉變換
格式:
cv2.dft(src, dst=None, flags=None, nonzeroRows=None)
參數(shù):
- src: 輸入圖像
- dst: 輸出圖像, 默認(rèn)為 None
- flags: 轉(zhuǎn)換標(biāo)志 (5 種)
- nonezeroRows: 要處理的 dst 行數(shù), 默認(rèn)為 None
返回值:
- 實部和虛部 (雙通道)
- 實部: 代表所有的偶函數(shù) (余弦函數(shù)) 的部分
- 虛部: 代表所有的奇函數(shù) (正弦函數(shù)) 的部分
代碼實現(xiàn):
# 傅里葉變換 dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT) # 中心轉(zhuǎn)換, 將低頻挪到中心 dft_shift = np.fft.fftshift(dft)
獲取幅度譜
幅度譜 (Magnitude Spectrum), 即從構(gòu)成波形的頻率側(cè)面看過去, 每一個頻率分量都會在側(cè)面的投影, 如圖:
通過```cv2.magnitude``我們可以極端二維矢量的幅值.
格式:
cv2.magnitude(x, y, magnitude=None)
參數(shù):
- x: 實部
- y: 虛部
代碼實現(xiàn):
# 獲取幅度譜, 映射到灰度空間 [0, 255]
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度譜展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出結(jié)果:
傅里葉逆變換
格式:
cv2.idft(src, dst=None, flags=None, nonzeroRows=None)
參數(shù):
- src: 輸入圖像
- dst: 輸出圖像, 默認(rèn)為 None
- flags: 轉(zhuǎn)換標(biāo)志 (5 種)
- nonezeroRows: 要處理的 dst 行數(shù), 默認(rèn)為 None
返回值:
- 實部和虛部 (雙通道)
- 實部: 代表所有的偶函數(shù) (余弦函數(shù)) 的部分
- 虛部: 代表所有的奇函數(shù) (正弦函數(shù)) 的部分
代碼實現(xiàn):
# 獲取中心位置 rows, cols = img.shape crow, ccol = int(rows / 2), int(cols / 2) # 低通濾波 mask = np.zeros((rows, cols, 2), np.uint8) mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1 # 傅里葉逆變換 fshidt = dft_shift * mask f_ishift = np.fft.ifftshift(fshidt) img_back = cv2.idft(f_ishift)
獲取低頻
import numpy as np
import cv2
# 讀取圖片, 并轉(zhuǎn)換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數(shù)據(jù)類型
# 轉(zhuǎn)換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數(shù)據(jù)類型
# 傅里葉變換
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心轉(zhuǎn)換, 將低頻挪到中心
dft_shift = np.fft.fftshift(dft)
# 獲取幅度譜
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度譜展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 獲取中心位置
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 低通濾波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1
fshidt = dft_shift * mask
f_ishift = np.fft.ifftshift(fshidt)
# 傅里葉逆變換, 獲取低頻圖像
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 結(jié)果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 標(biāo)準(zhǔn)化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出結(jié)果:
獲取高頻
import numpy as np
import cv2
# 讀取圖片, 并轉(zhuǎn)換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數(shù)據(jù)類型
# 轉(zhuǎn)換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數(shù)據(jù)類型
# 傅里葉變換
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心轉(zhuǎn)換, 將低頻挪到中心
dft_shift = np.fft.fftshift(dft)
# 獲取幅度譜
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度譜展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 獲取中心位置
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 高通濾波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0
fshidt = dft_shift * mask
f_ishift = np.fft.ifftshift(fshidt)
# 傅里葉逆變換, 獲取高頻圖像
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 結(jié)果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 標(biāo)準(zhǔn)化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出結(jié)果:
到此這篇關(guān)于OpenCV半小時掌握基本操作之傅里葉變換的文章就介紹到這了,更多相關(guān)OpenCV傅里葉變換內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
相關(guān)文章
關(guān)注官方微信