国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

opencv python 傅里葉變換

silenceboy / 3085人閱讀

Fourier Transform

理論

傅立葉變換用于分析各種濾波器的頻率特性,對于圖像,2D離散傅里葉變換(DFT)用于找到頻域.快速傅里葉變換(FFT)的快速算法用于計算DFT.

于一個正弦信號,x(t)=Asin(2πft),我們可以說 f 是信號的頻率,如果它的頻率域被接受,我們可以看到 f 的峰值.如果信號被采樣來形成一個離散信號,我們得到相同的頻率域,但是在[?π,π] or [0,2π]范圍內是周期性的 (or [0,N] for N-point DFT).

可以將圖像視為在兩個方向上采樣的信號.因此,在X和Y方向上進行傅里葉變換可以得到圖像的頻率表示.

更直觀的是,對于正弦信號,如果振幅在短時間內變化得非常快,你可以說它是一個高頻信號.如果它變化緩慢,它是一個低頻信號,可以把同樣的想法擴展到圖片上,邊和噪聲是圖像中的高頻內容,如果振幅沒有很大的變化,那就是低頻分量.

Numpy中的傅里葉變換

np.fft.fft2()

第一個參數是輸入圖像,它是灰度圖像
第二個參數是可選的,它決定了輸出數組的大小,如果它大于輸入圖像的大小,則輸入圖像在計算FFT之前填充了0.如果它小于輸入圖像,輸入圖像將被裁剪,如果沒有參數傳遞,輸出數組的大小將與輸入相同.

一旦得到結果,零頻率分量(DC分量)將位于左上角。 如果要將其置于中心位置,則需要在兩個方向上將結果移動N2.np.fft.fftshift(),一旦你找到頻率變換,你就能找到大小譜.

代碼:

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

img = cv2.imread("img.jpg",0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(img, cmap = "gray")
plt.title("Input Image"), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = "gray")
plt.title("Magnitude Spectrum"), plt.xticks([]), plt.yticks([])
plt.show()

可以在中心看到更多的白色區域,表示低頻率的內容更多.

現在可以在頻域做一些運算,比如高通濾波和重建圖像也就是找到逆DFT,只需用一個矩形窗口大小的60x60來移除低頻部分,使用np.fft.ifftshift()應用反向移動,使DC組件再次出現在左上角,然后使用np.ifft2()函數找到反FFT,結果將會是一個復數,可以取它的絕對值.
代碼:

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

img = cv2.imread("img.jpg",0)

f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))

rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)


plt.subplot(221),plt.imshow(img, cmap = "gray")
plt.title("Input Image"), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(magnitude_spectrum, cmap = "gray")
plt.title("Magnitude Spectrum"), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.imshow(img_back)
plt.title("Result in JET"), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.imshow(img_back, cmap = "gray")
plt.title("Image after HPF"), plt.xticks([]), plt.yticks([])
plt.show()

結果表明,高通濾波是一種邊緣檢測操作.

OpenCV中的傅里葉變換

OpenCV提供了cv.dft()cv.idft()函數.它返回與前面相同的結果,但是有兩個通道.第一個通道將會有結果的實部,第二個通道將會有一個虛部.
輸入圖像首先應該轉換為np.float32

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

img = cv2.imread("img.jpg",0)


dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))

plt.subplot(121),plt.imshow(img, cmap = "gray")
plt.title("Input Image"), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = "gray")
plt.title("Magnitude Spectrum"), plt.xticks([]), plt.yticks([])
plt.show()

也可以使用cv.cartToPolar(),它可以在一次拍攝中同時返回大小和相位.

現在我們要做的是逆DFT.這次我們將移除圖像中的高頻內容,即我們將LPF應用到圖像中.它實際上模糊了圖像.為此,我們先創建一個具有高值(1)低頻率的掩模,即我們通過低頻內容,而在高頻區域則是0。

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

img = cv2.imread("img.jpg",0)

dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)

# create a mask first, center square is 1, remaining all zeros
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# apply mask and inverse DFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img, cmap = "gray")
plt.title("Input Image"), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = "gray")
plt.title("Magnitude Spectrum"), plt.xticks([]), plt.yticks([])
plt.show()

NOTE:
OpenCV函數cv.dft()cv.idft()比Numpy函數更快.但是Numpy功能更加用戶友好.

文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。

轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/42035.html

相關文章

  • 首次公開,整理12年積累的博客收藏夾,零距離展示《收藏夾吃灰》系列博客

    摘要:時間永遠都過得那么快,一晃從年注冊,到現在已經過去了年那些被我藏在收藏夾吃灰的文章,已經太多了,是時候把他們整理一下了。那是因為收藏夾太亂,橡皮擦給設置私密了,不收拾不好看呀。 ...

    Harriet666 評論0 收藏0
  • 理解深度學習中的卷積

    摘要:文章第一部分旨在幫助讀者理解卷積的概念和深度學習中的卷積網絡。卷積定理要理解卷積,不得不提,它將時域和空域上的復雜卷積對應到了頻域中的元素間簡單的乘積。 譯者按:本文譯自 Tim Dettmers 的 Understanding Convolution in Deep Learning。有太多的公開課、教程在反復傳頌卷積神經網絡的好,卻都沒有講什么是「卷積」,似乎默認所有讀者都有相關基礎。這...

    voyagelab 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<