【opencv学习】【傅里叶变换】【高通滤波器和低通滤波器】_opencv c++ fft提取高频

import cv2
import numpy as np
from matplotlib import pyplot as plt


# 展示图像，封装成函数
def cv_show_image(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)  # 等待时间，单位是毫秒，0代表任意键终止
    cv2.destroyAllWindows()

# 高频：图像灰度变化剧烈的部分，一般是边界点
# 低频：图像像素变化变化缓慢的部分

# 高通滤波：只保留高频成分，会使得图像细节增强
# 低通滤波：只保留低频成分，会使得图像变得模糊

# 1. cv2.dft(img, cv2.DFT_COMPLEX_OUTPUT) 进行傅里叶变化
# 参数说明: img表示输入的图片， cv2.DFT_COMPLEX_OUTPUT表示进行傅里叶变化的方法
#
# 2. np.fft.fftshift(img)  将图像中的低频部分移动到图像的中心
# 参数说明：img表示输入的图片
#
# 3. cv2.magnitude(x, y) 将sqrt(x^2 + y^2) 计算矩阵维度的平方根
# 参数说明：需要进行x和y平方的数
#
# 4.np.fft.ifftshift(img) # 进图像的低频和高频部分移动到图像原来的位置
# 参数说明：img表示输入的图片
#
# 5.cv2.idft(img) # 进行傅里叶的逆变化
# 参数说明：img表示经过傅里叶变化后的图片


# =============================================================================
# 图像的DFT
# =============================================================================

img = cv2.imread('images/naruto.jpg', cv2.IMREAD_GRAYSCALE)  # 读取灰度图，DFT是对一个通道计算的
img_float32 = np.float32(img)  # 转成浮点数的，方便DFT计算

# 进行DFT计算
# 但是结果是双通道的，有实部和虚部，无法直接展示，需要转换成图像格式（像素值是0~255）才能展示
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
print(dft.shape)
dft_shift = np.fft.fftshift(dft)  # 将低频的值集中到图像的中间位置，拼接好图像
print(dft_shift.shape)

# 在转成能灰度表示的图像形式，DFT的计算结果是双通道的，是实部和虚部
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))

plt.subplot(1, 2, 1), plt.imshow(img, 'gray')
plt.title('input image'), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(magnitude_spectrum, 'gray')
plt.title('magnitude_spectrum image'), plt.xticks([]), plt.yticks([])
plt.show()


# =============================================================================
# 低通滤波器，高通滤波器
# =============================================================================
img = cv2.imread('images/naruto.jpg', cv2.IMREAD_GRAYSCALE)  # 读取灰度图，DFT是对一个通道计算的
img_float32 = np.float32(img)  # 转成浮点数的，方便DFT计算

# 进行DFT计算
# 但是结果是双通道的，有实部和虚部，无法直接展示，需要转换成图像格式（像素值是0~255）才能展示
dft = cv2.dft(img_float32, flags=cv2.DFT_COMPLEX_OUTPUT)
print(dft.shape)
dft_shift = np.fft.fftshift(dft)  # 将低频的值集中到图像的中间位置，拼接好图像
print(dft_shift.shape)

# ============================

# 计算图像的row和col size，以及中心点的位置
rows, cols = img.shape
center_x, center_y = int(rows / 2), int(cols / 2)
mask_len = 50

# 低通滤波器：将高频部分全部过滤，就是远离中心的频率全部掩盖
# 先做个掩码mask，中心部分通过
mask_low = np.zeros((rows, cols, 2), np.uint8)
mask_low[center_x - mask_len: center_x + mask_len, center_y - mask_len: center_y + mask_len] = 1

# 低通滤波器：将低频部分全部过滤，就是中心附近的频率全部掩盖
# 先做个掩码mask，中心部分抑制
mask_high = np.ones((rows, cols, 2), np.uint8)
mask_high[center_x - mask_len: center_x + mask_len, center_y - mask_len: center_y + mask_len] = 0

# IDFT 运用低通滤波器
fshift_low = dft_shift * mask_low  # 进行掩码运算后，得到了过滤后的低通分量
f_ishift_low = np.fft.ifftshift(fshift_low)  # 逆转换，进图像的低频和高频部分移动到图像原来的位置
idft_img_low = cv2.idft(f_ishift_low)  # 逆 DFT
idft_img_low = cv2.magnitude(idft_img_low[:, :, 0], idft_img_low[:, :, 1])  # 求加和平方根

# IDFT 运用高通滤波器
fshift_high = dft_shift * mask_high  # 进行掩码运算后，得到了过滤后的高通分量
f_ishift_high = np.fft.ifftshift(fshift_high)  # 逆转换，进图像的低频和高频部分移动到图像原来的位置
idft_img_high = cv2.idft(f_ishift_high)  # 逆 DFT
idft_img_high = cv2.magnitude(idft_img_high[:, :, 0], idft_img_high[:, :, 1])  # 求加和平方根

plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('src img')
plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.subplot(132)
plt.imshow(idft_img_low, cmap='gray'), plt.title('low pass img')
plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.subplot(133)
plt.imshow(idft_img_high, cmap='gray'), plt.title('high pass img')
plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
plt.show()

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
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109

图像和DFT后的结果

低通和高通的结果