目錄
- 概述
- 高頻 vs 低頻
- 傅里葉變換
- 代碼詳解
- 獲取低頻
- 獲取高頻
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 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, 會使得圖像細節增強
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 中實現傅里葉變換的函數是cv2.dft()和cv2.idft()(傅里葉逆變化)
代碼詳解
輸入轉換
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換到要求的格式.
代碼實現:
import numpy as np
import cv2
# 讀取圖片, 并轉換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數據類型
# 轉換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數據類型
輸出結果:
uint8
float32
傅里葉變換
格式:
cv2.dft(src, dst=None, flags=None, nonzeroRows=None)
參數:
- src: 輸入圖像
- dst: 輸出圖像, 默認為 None
- flags: 轉換標志 (5 種)
- nonezeroRows: 要處理的 dst 行數, 默認為 None
返回值:
- 實部和虛部 (雙通道)
- 實部: 代表所有的偶函數 (余弦函數) 的部分
- 虛部: 代表所有的奇函數 (正弦函數) 的部分
代碼實現:
# 傅里葉變換
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心轉換, 將低頻挪到中心
dft_shift = np.fft.fftshift(dft)
獲取幅度譜
幅度譜 (Magnitude Spectrum), 即從構成波形的頻率側面看過去, 每一個頻率分量都會在側面的投影, 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:
代碼實現:
# 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()
輸出結果:
傅里葉逆變換
格式:
cv2.idft(src, dst=None, flags=None, nonzeroRows=None)
參數:
- src: 輸入圖像
- dst: 輸出圖像, 默認為 None
- flags: 轉換標志 (5 種)
- nonezeroRows: 要處理的 dst 行數, 默認為 None
返回值:
- 實部和虛部 (雙通道)
- 實部: 代表所有的偶函數 (余弦函數) 的部分
- 虛部: 代表所有的奇函數 (正弦函數) 的部分
代碼實現:
# 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, 并轉換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數據類型
# 轉換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數據類型
# 傅里葉變換
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心轉換, 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])
# 結果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 標準化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出結果:
獲取高頻
import numpy as np
import cv2
# 讀取圖片, 并轉換成灰度圖
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8數據類型
# 轉換成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32數據類型
# 傅里葉變換
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心轉換, 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])
# 結果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 標準化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
輸出結果:
到此這篇關于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OpenCV傅里葉變換內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- OpenCV半小時掌握基本操作之圖像裁剪融合
- OpenCV半小時掌握基本操作之圖像處理
- opencv-python基本圖像處理詳解
- OpenCV圖像處理基本操作詳解
- Opencv圖像處理之詳解掩膜mask
- 基于python的opencv圖像處理實現對斑馬線的檢測示例
- Python+OpenCV圖像處理——圖像二值化的實現
- OpenCV半小時掌握基本操作之分水嶺算法
- OpenCV半小時掌握基本操作之圖像輪廓
- OpenCV半小時掌握基本操作之直方圖
- OpenCV半小時掌握基本操作之模板匹配
- OpenCV半小時掌握基本操作之圓圈檢測
- OpenCV半小時掌握基本操作之對象測量
- OpenCV半小時掌握基本操作之圖像基礎操作
