图像频域增强：傅里叶变换_变换域是频域吗

图像的傅里叶变换

    图像的频域增强其实就是：先对图像进行变换，将图像转换到变换域，然后在变换域进行操作以实现图像增强。常用的变换域就是频域（频率域，傅里叶变换的结果）。图像的频域增强有直观的物理意义。例如，图像模糊是图像中高频分量不足的结果，在频域里增加高频分量或减少低频分量就能消除一些模糊。又如，图像有时会受到重复出现的有规律周期噪声的影响，周期噪声具有特定的频率，所以可以采取频域滤波的方法滤除相应噪声频率，从而消除周期噪声。

傅里叶变换(2D)及其性质

$f(x,y)\to F(u,v)$

$$F(u,v)=\sum _{x=0}^{M-1}\sum _{y=0}^{N-1}f(x,y)e^{-j2\pi (\frac{ux}{M}+\frac{vy}{N})}$$

• $f(x,y)$ : 像素矩阵中$x,y$处的像素值
• $M,N$ : 像素矩阵的大小，行列
• $F(x,y)$ : 变换后$u,v$处的频域值，为复数。

$F(u,v)\to f(x,y)$

$$f(x,y)=\frac{1}{MN}\sum _{u=0}^{M-1}\sum _{v=0}^{N-1}F(u,v)e^{j2\pi (\frac{ux}{M}+\frac{vy}{N})}$$

$$F(u,v)=R(u,v)+I(u,v)$$
频谱：
$$|F(u,v)|=\sqrt{({R(u,v)}^2+{I(u,v)}^2)}$$
相位角：
$$\varphi =arctan\frac{I(u,v)}{R(u,v)}$$
功率谱：
$$P(u,v)=|F(u,v){|}^2={R(u,v)}^2+{I(u,v)}^2$$

    傅里叶变换的性质：可分离性和对称性。在进行2D傅里叶变换时，可以利用其性质来简化计算，一个2D傅里叶变换核可以分解为两个1D傅里叶变换。一个$N\times N$的2D傅里叶变换需要 $N^4$ 次复数乘法运算和 $N^2(N^2-1)$ 次复数加法运算，而进行一个长度为N的1D傅里叶变换只需进行$N^2$次复数乘法运算和$N(N-1)$次复数加法运算。

指数运算部分：
$$e^{-j2\pi (\frac{ux}{M}+\frac{vy}{N})}=e^{-j2\pi \frac{ux}{M}}+e^{-j2\pi \frac{vy}{N}}$$

$$e^{j2\pi (\frac{ux}{M}+\frac{vy}{N})}=e^{j2\pi \frac{ux}{M}}+e^{j2\pi \frac{vy}{N}}$$

列变换：
$$G(x,y)=\sum _{y=0}^{N-1}f(x,y)e^{\frac{-j2\pi vy}{N}}$$
行变换：
$$F(u,v)=\sum _{x=0}^{M-1}G(x,y)e^{\frac{-j2\pi ux}{M}}$$

实现傅里叶变换

• 简单实现慢速傅里叶变换
• 加速版本
• numpy.fft.fft2()

import cv2 as cv
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
1
2
3
4

img = cv.imread('./images/guigu1_mini.png')
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
img_gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
1
2
3

测试用例:

傅里叶变换与逆变换

def slowly_dft(img_gray):
    ret = np.zeros_like(img_gray).astype('complex')
    # ret[0]应包含零频率项，
    # ret[1:n//2]应该包含正频率项，
    # ret[n//2 + 1:]应该包含负频率项，从最负频率开始按升序排列。
    m, n = img_gray.shape
    for u in range(m):
        for v in range(n):
            for x in range(m):
                for y in range(n):
                    ret[u, v] += img_gray[x, y]*np.exp(-2j*np.pi*(u*x/m + v*y/n))
    return ret
    
def slowly_idft(img_freq):
    img_gray = np.zeros_like(img_freq)
    m, n = img_freq.shape
    for x in range(m):
        for y in range(n):
            for u in range(m):
                for v in range(n):
                    img_gray[x, y] += img_freq[u, v]*np.exp(2j*np.pi*(u*x/m + v*y/n))/m*n
    img_gray = np.clip(img_gray, 0, 255).astype(int)
    return img_gray

def restore_img(idft_array):
    real_part = idft_array.real
    img_gray = np.clip(real_part, 0, 255).astype("uint8")
    return img_gray

def accelerate_dft(img_gray):
    ret = np.zeros_like(img_gray).astype('complex')
    m, n = img_gray.shape
    x_arr = np.concatenate([np.arange(m).reshape(m, 1)]*n, axis=1)
    y_arr = np.concatenate([np.arange(n).reshape(1, n)]*m, axis=0)
    for u in range(m):
        for v in range(n):
            ret[u, v] = np.sum(np.multiply(img_gray,np.exp(-2j*np.pi*(u*x_arr/m + v*y_arr/n))))
    return ret
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

%%time
img_freq_slow = slowly_dft(img_gray)
1
2

CPU times: total: 1min 3s
Wall time: 1min 3s
1
2

%%time
img_freq_acce = accelerate_dft(img_gray)
1
2

CPU times: total: 1.08 s
Wall time: 1.08 s
1
2

%%time
img_freq_fast = np.fft.fft2(img_gray)
1
2

CPU times: total: 0 ns
Wall time: 0 ns
1
2

快速傅里叶逆变换

img_1 = np.fft.ifft2(img_freq_slow)
img_2 = np.fft.ifft2(img_freq_fast)
1
2

还原和频谱图（log变换,0频率移动）

图像频域增强(OpenCV)

$$G(u,v)=H(u,v)F(u,v)$$

• $F(u,v)$ : 傅里叶变换后的图像频域矩阵
• $H(u,v)$ : 转移函数，作用于$f(u,v)$
• $G(u,v)$ : 增强后的频域矩阵

图像频域增强步骤：

1. 傅里叶变换得到频域矩阵。
2. 将其与一个转移函数（根据需要设计）相乘。
3. 将结果进行傅里叶反变换以得到增强后的图像。

下通过一个简单转移操作，实现高通滤波，观察原始图像的变化：

img = cv.imread('./images/hj.png')
img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
img_gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
1
2
3

dft = cv.dft(img_gray.astype('float32'),flags = cv.DFT_COMPLEX_OUTPUT)           # 傅里叶变换(Opencv是用深度为2数组表示复数)
dft_shift = np.fft.fftshift(dft)                                                 # 移动零频分量
magnitude_spectrum = 20*np.log(cv.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))  # 幅值对数变换
1
2
3

测试用例 （逃学威龙1）

从图像的幅值可以看出，中间最亮也代表着中间频率最低(幅值越大频率越小)。

1. 屏蔽中间$10\times 10$的低频

crow = dft_shift.shape[0]//2                         # 中心点坐标
ccol = dft_shift.shape[1]//2
dft_shift[crow-5:crow+5, ccol-5:ccol+5] = 0          # 去除中心低频
dft_ishift = np.fft.ifftshift(dft_shift)             # 还原频谱图
img_ = cv.idft(dft_ishift)                           # 逆傅里叶变换
img_back1 = cv.magnitude (img_[:,:,0],img_[:,:,1])   # 还原图像
1
2
3
4
5
6

屏蔽部分低频后(高通滤波)，图像得到了类似边缘检测的结果。