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
傅里叶变化：将图像从空间域转换为频率域， 下面是傅里叶变化的公式
对应于频率的方向，我们可以看出红色那条线的频率最小，蓝色线的频率最大， 高频指变化剧烈的灰度分量，即图像边界的地方, 低频指变换缓慢的灰度分量
构建出的傅里叶变化的图片，将低频移到中间位置， 通常呈现中间亮，周围暗，是因为对于低频而言，波动较大，比如红色那条线，因此呈现亮，对于高频而言，波动较小，比如蓝色那条线，因此呈现暗
代码：
第一步：载入图片
第二步：使用np.float32进行格式转换
第三步：使用cv2.dft进行傅里叶变化
第四步：使用np.fft.shiftfft将低频转移到中间位置
第五步：使用cv2.magnitude将实部和虚部投影到空间域
第六步：进行作图操作
import cv2 import numpy as np import matplotlib.pyplot as plt # 第一步读取图片 img = cv2.imread(‘lena.jpg‘, 0) # 第二步：进行float32形式转换 float32_img = np.float32(img) # 第三步: 使用cv2.dft进行傅里叶变化 dft_img = cv2.dft(float32_img, flags=cv2.DFT_COMPLEX_OUTPUT) # 第四步：使用np.fft.shiftfft()将变化后的图像的低频转移到中心位置 dft_img_ce = np.fft.fftshift(dft_img) # 第五步：使用cv2.magnitude将实部和虚部转换为实部，乘以20是为了使得结果更大 img_dft = 20 * np.log(cv2.magnitude(dft_img_ce[:, :, 0], dft_img_ce[:, :, 1])) # 第六步：进行画图操作 plt.subplot(121) plt.imshow(img, cmap=‘gray‘) plt.subplot(122) plt.imshow(img_dft, cmap=‘gray‘) plt.show()
2.只保留低频，即进行低通滤波，因为高频表示是一些细节，即图像的轮廓和边缘，失去了高频部分，图像就容易变得模糊
代码：
第一步：读取图片
第二步：np.float32进行类型转换
第三步：使用cv2.dft进行傅里叶变化
第四步：使用np.fft.fftshift 将低频部分转换到图像的中心
第五步：构造掩模，使得掩模的中心位置为1，边缘位置为0
第六步：将掩模与傅里叶变换后的图像结合，只保留中心部分的低频位置
第七步：使用np.fft.ifftshift将低频部分转移回图像的原先位置
第八步：使用cv2.idft进行傅里叶的反转换
第九步：使用cv2.magnitude将图像的实部和虚部转换为空间域内
第十步：进行作图操作
# 使用掩模只保留低通 # 第一步读入图片 img = cv2.imread(‘lena.jpg‘, 0) # 第二步：进行数据类型转换 img_float = np.float32(img) # 第三步：使用cv2.dft进行傅里叶变化 dft = cv2.dft(img_float, flags=cv2.DFT_COMPLEX_OUTPUT) # 第四步：使用np.fft.fftshift将低频转移到图像中心 dft_center = np.fft.fftshift(dft) # 第五步：定义掩模：生成的掩模中间为1周围为0 crow, ccol = int(img.shape[0] / 2), int(img.shape[1] / 2) # 求得图像的中心点位置 mask = np.zeros((img.shape[0], img.shape[1], 2), np.uint8) mask[crow-30:crow+30, ccol-30:ccol+30] = 1 # 第六步：将掩模与傅里叶变化后图像相乘，保留中间部分 mask_img = dft_center * mask # 第七步：使用np.fft.ifftshift(将低频移动到原来的位置 img_idf = np.fft.ifftshift(mask_img) # 第八步：使用cv2.idft进行傅里叶的反变化 img_idf = cv2.idft(img_idf) # 第九步：使用cv2.magnitude转化为空间域内 img_idf = cv2.magnitude(img_idf[:, :, 0], img_idf[:, :, 1]) # 第十步：进行绘图操作 plt.subplot(121) plt.imshow(img, cmap=‘gray‘) plt.subplot(122) plt.imshow(img_idf, cmap=‘gray‘) plt.show()
3.只保留图像的高频部分
流程与上面一样，只是构造的掩模是中间为0，边缘为1，然后与傅里叶变化后的图像结合， 保留高频部分，去除低频部分
代码：
# 只保留高频部分 # 使用掩模只保留低通 # 第一步读入图片 img = cv2.imread(‘lena.jpg‘, 0) # 第二步：进行数据类型转换 img_float = np.float32(img) # 第三步：使用cv2.dft进行傅里叶变化 dft = cv2.dft(img_float, flags=cv2.DFT_COMPLEX_OUTPUT) # 第四步：使用np.fft.fftshift将低频转移到图像中心 dft_center = np.fft.fftshift(dft) # 第五步：定义掩模：生成的掩模中间为0周围为1 crow, ccol = int(img.shape[0] / 2), int(img.shape[1] / 2) # 求得图像的中心点位置 mask = np.ones((img.shape[0], img.shape[1], 2), np.uint8) mask[crow-30:crow+30, ccol-30:ccol+30] = 0 # 第六步：将掩模与傅里叶变化后图像相乘，保留中间部分 mask_img = dft_center * mask # 第七步：使用np.fft.ifftshift(将低频移动到原来的位置 img_idf = np.fft.ifftshift(mask_img) # 第八步：使用cv2.idft进行傅里叶的反变化 img_idf = cv2.idft(img_idf) # 第九步：使用cv2.magnitude转化为空间域内 img_idf = cv2.magnitude(img_idf[:, :, 0], img_idf[:, :, 1]) # 第十步：进行绘图操作 plt.subplot(121) plt.imshow(img, cmap=‘gray‘) plt.subplot(122) plt.imshow(img_idf, cmap=‘gray‘) plt.show()
从上图可以看出保留了图像的边缘部分，而其他的信息被去除了