主頁(yè) > 知識(shí)庫(kù) > OpenCV半小時(shí)掌握基本操作之傅里葉變換

OpenCV半小時(shí)掌握基本操作之傅里葉變換
熱門標(biāo)簽：企業(yè)微信地圖標(biāo)注 地圖標(biāo)注多個(gè) 鶴壁手機(jī)自動(dòng)外呼系統(tǒng)違法嗎 高德地圖標(biāo)注收入咋樣 沈陽(yáng)防封電銷電話卡 B52系統(tǒng)電梯外呼顯示E7 萊蕪電信外呼系統(tǒng) 銀川電話機(jī)器人電話 怎么辦理400客服電話

概述

OpenCV 是一個(gè)跨平臺(tái)的計(jì)算機(jī)視覺(jué)庫(kù), 支持多語(yǔ)言, 功能強(qiáng)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(huì)使得圖像模糊
  • 高通濾波器: 只保留高頻, 會(huì)使得圖像細(xì)節(jié)增強(qiáng)

傅里葉變換

傅里葉變化 (Fourier Transform) 是一種分析信號(hào)的方法. 傅里葉變化可分析信號(hào)的成分, 也可以用這些成分合成信號(hào).

效果:

傅里葉變換:

傅里葉逆變換:

在 OpenCV 中實(shí)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(shí)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(shí)部和虛部 (雙通道)
  • 實(shí)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(shí)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(guò)去, 每一個(gè)頻率分量都會(huì)在側(cè)面的投影, 如圖:

通過(guò)```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(shí)部
  • y: 虛部

代碼實(shí)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(shí)部和虛部 (雙通道)
  • 實(shí)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(shí)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(shí)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(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:
  • OpenCV半小時(shí)掌握基本操作之圖像裁剪融合
  • OpenCV半小時(shí)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(shí)現(xiàn)對(duì)斑馬線的檢測(cè)示例
  • Python+OpenCV圖像處理——圖像二值化的實(shí)現(xiàn)
  • OpenCV半小時(shí)掌握基本操作之分水嶺算法
  • OpenCV半小時(shí)掌握基本操作之圖像輪廓
  • OpenCV半小時(shí)掌握基本操作之直方圖
  • OpenCV半小時(shí)掌握基本操作之模板匹配
  • OpenCV半小時(shí)掌握基本操作之圓圈檢測(cè)
  • OpenCV半小時(shí)掌握基本操作之對(duì)象測(cè)量
  • OpenCV半小時(shí)掌握基本操作之圖像基礎(chǔ)操作

標(biāo)簽：安慶 葫蘆島 呼倫貝爾 湘西 銀川 呼倫貝爾 烏魯木齊 三亞

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《OpenCV半小時(shí)掌握基本操作之傅里葉變換》，本文關(guān)鍵詞  OpenCV,半小時(shí),掌握,基本操作,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題，煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《OpenCV半小時(shí)掌握基本操作之傅里葉變換》相關(guān)的同類信息！
  • 本頁(yè)收集關(guān)于OpenCV半小時(shí)掌握基本操作之傅里葉變換的相關(guān)信息資訊供網(wǎng)民參考！
    • 推薦文章