OpenCV半小时掌握基本操作之傅里叶变换
作者:我是小白呀 发布时间:2022-03-27 22:25:47
概述
OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界.
高频 vs 低频
高频 vs 低频:
高频: 变换剧烈的灰度分量, 例如边界
低频: 变换缓慢的灰度分量, 例如一片大海
滤波:
低通滤波器: 只保留低频, 会使得图像模糊
高通滤波器: 只保留高频, 会使得图像细节增强
傅里叶变换
傅里叶变化 (Fourier Transform) 是一种分析信号的方法. 傅里叶变化可分析信号的成分, 也可以用这些成分合成信号.
效果:
傅里叶变换:
傅里叶逆变换:
在 OpenCV 中实现傅里叶变换的函数是cv2.dft()
和cv2.idft()
(傅里叶逆变化)
代码详解
输入转换
傅里叶变换支持的输入格式是np.float32
, 所以我们需要先把图像转换到要求的格式.
代码实现:
import numpy as np
import cv2
# 读取图片, 并转换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8数据类型
# 转换成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32数据类型
输出结果:
uint8
float32
傅里叶变换
格式:
cv2.dft(src, dst=None, flags=None, nonzeroRows=None)
参数:
src: 输入图像
dst: 输出图像, 默认为 None
flags: 转换标志 (5 种)
nonezeroRows: 要处理的 dst 行数, 默认为 None
返回值:
实部和虚部 (双通道)
实部: 代表所有的偶函数 (余弦函数) 的部分
虚部: 代表所有的奇函数 (正弦函数) 的部分
代码实现:
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心转换, 将低频挪到中心
dft_shift = np.fft.fftshift(dft)
获取幅度谱
幅度谱 (Magnitude Spectrum), 即从构成波形的频率侧面看过去, 每一个频率分量都会在侧面的投影, 如图:
通过```cv2.magnitude``我们可以极端二维矢量的幅值.
格式:
cv2.magnitude(x, y, magnitude=None)
参数:
x: 实部
y: 虚部
代码实现:
# 获取幅度谱, 映射到灰度空间 [0, 255]
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度谱展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果:
傅里叶逆变换
格式:
cv2.idft(src, dst=None, flags=None, nonzeroRows=None)
参数:
src: 输入图像
dst: 输出图像, 默认为 None
flags: 转换标志 (5 种)
nonezeroRows: 要处理的 dst 行数, 默认为 None
返回值:
实部和虚部 (双通道)
实部: 代表所有的偶函数 (余弦函数) 的部分
虚部: 代表所有的奇函数 (正弦函数) 的部分
代码实现:
# 获取中心位置
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1
# 傅里叶逆变换
fshidt = dft_shift * mask
f_ishift = np.fft.ifftshift(fshidt)
img_back = cv2.idft(f_ishift)
获取低频
import numpy as np
import cv2
# 读取图片, 并转换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8数据类型
# 转换成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32数据类型
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心转换, 将低频挪到中心
dft_shift = np.fft.fftshift(dft)
# 获取幅度谱
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度谱展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 获取中心位置
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 低通滤波
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)
# 傅里叶逆变换, 获取低频图像
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 结果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 标准化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果:
获取高频
import numpy as np
import cv2
# 读取图片, 并转换成灰度图
img = cv2.imread("Mona_Lisa.jpg", cv2.IMREAD_GRAYSCALE)
print(img.dtype) # unit8数据类型
# 转换成np.float32
img_float32 = np.float32(img)
print(img_float32.dtype) # float32数据类型
# 傅里叶变换
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
# 中心转换, 将低频挪到中心
dft_shift = np.fft.fftshift(dft)
# 获取幅度谱
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
# 幅度谱展示
combine = np.hstack((img, magnitude_spectrum.astype(np.uint8)))
cv2.imshow("combine", combine)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 获取中心位置
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 高通滤波
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)
# 傅里叶逆变换, 获取高频图像
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
# 结果展示
img_back = 255 * cv2.normalize(img_back, None, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F) # 标准化
result = np.hstack((img, img_back.astype(np.uint8)))
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果:
来源:https://blog.csdn.net/weixin_46274168/article/details/119052708
猜你喜欢
- 1、直接贴代码#!C:/Python27#coding=utf-8from selenium import webdriverfrom se
- 用过Qt的朋友 特别是QtCreator的习惯在界面UI上面对应的CPP中写代码。但是在PyQt中不是这样的。pyQt只是个界面,只会生成界
- 经过一轮的项目封闭开发,页面制作的动手能力提高了不少,用AW的话说就是被复杂的东西虐过以后很多问题都变得容易了,的确很有道理。我个人觉得技术
- 1 文件处理形式 近期由于处理大量数据,所以对于采用python进行处理文件的一些操作也打算整理一下;接下
- 大部分情况下,这种动态生成的sql查询语句写法如下: 代码如下:select A表.字段1,A表.字段2,B表.字段返回,C表.字段返回 f
- 什么是特殊方法?当我们在设计一个类的时候,python中有一个用于初始化的方法$__init__$,类似于java中的构造器,这个就是特殊方
- 代码如下:--获取当前时间 Select getdate() --获取当前年月日 YY代表年,MM代表月,DD代表日,hh代表时
- 本文实例讲述了python实现bucket排序算法。分享给大家供大家参考。具体实现方法如下:def bucketSort(a, n, buc
- 之前介绍过python开发工具Jupyter的使用,今天继续讲解python的数据类型,python中有整型、浮点型、字符串、布尔类型,我们
- 从两个优秀的世界各取所需,更高效的复用代码。想想就醉了,.NET和python融合了。“懒惰”的程序员们,还等什么?Jesse Smith为
- 内置300余汉字点阵.纯ASP实现汉字验证码.不读数据库.多种属性自由调节,其中包括:生成的图片长和宽,字符数,背景显示效果(渐变,杂色,固
- 使用tensorflow过程中,训练结束后我们需要用到模型文件。有时候,我们可能也需要用到别人训练好的模型,并在这个基础上再次训练。这时候我
- 1.filecmp比较文件filecmp模块提供了一些函数和一个类来比较文件系统上的文件和目录。1.1 示例数据使用下面代码创建一组测试文件
- 阅读之前:在看文章具体内容之前,希望你可以 先打开IE8,打开http://www.taobao.com,然后在地址栏里输入:javascr
- 具体代码如下所示:import requestsimport jsonfrom pyecharts.charts import Map, G
- 在MySQL服务器启动时,它检查其命令行的操作,来查看它是否应该执行登录并打开相应的日志文件(如果应该的话)。可以让服务器生成两种主要类型的
- Django处理Ajax发送的Get请求实例,Ajax优点在一是异步请求,无需等待响应就可以再次发起请求,而是局部刷新,避免整个页面刷新的网
- 在使用matplotlib绘制图片时,x轴的刻度可能比较密集,特别是以日期作为x轴时,则最后会显示不出来。数据如下,速度V的数组与时间字符串
- 本文实例讲述了python序列化与数据持久化。分享给大家供大家参考,具体如下:数据持久化的方式有:1.普通文件无格式写入:将数据直接写入到文
- 近些年随着Python语言越来越流行,越来越多的人选择Python语言作为自己的职业方向。如何在心仪公司的面试中获得好成绩,并最终成功获得o