如果用OpenCV-Python进行图像的离散傅里叶变换与逆变换其实还蛮简单的，流程就是上图所示，值得注意的是，如果是多通道的图像，譬如多光谱、高光谱图像，需要对每个通道都进行傅里叶变换，最后再聚合，如果只是RGB，可以用如下方式合成灰度图，只需要对灰度图做处理即可。

img1 = 0.2126 * image1[:,:,0] + 0.7152 * image1[:,:,1] + 0.0722 * image1[:,:,2]

import cv2 as cv  
import numpy as np  
import matplotlib.pyplot as plt  
  
# 测试图像  
ori=cv.imread(r"F:\ori.jpg")  
  
# numpy 中的 fft 需要输入灰度图,我们需要将图像分割成不同的通道  
def getRGBDFT(img):  
    # cv2默认的图像通道是BGR，需要进行转换  
    img=cv.cvtColor(img,cv.COLOR_BGR2RGB)  
    # 分离通道  
    r,g,b=cv.split(img)  
    # 对每个通道进行傅里叶变换  
    f_r,f_g,f_b=_dft(r),_dft(g),_dft(b)  
    # 组合通道,还是以bgr格式返回  
    return cv.merge([f_b,f_g,f_r])  
  
def _dft(img):  
    f=cv.dft(np.float32(img),flags=cv.DFT_COMPLEX_OUTPUT)  
    # 计算幅度谱  
    magnitude=cv.magnitude(f[:,:,0],f[:,:,1])  
    # 对数变换增强对比度  
    res=np.log(magnitude+1)  
    # 移动低频分量至中心  
    return np.fft.fftshift(res)  
  
out=getRGBDFT(ori)  
  
# 选取
plt.subplot(121),plt.imshow(ori[:,:,0],cmap='gray')  
plt.title("Ori"),plt.xticks([]),plt.yticks([])  
plt.subplot(122),plt.imshow(out[:,:,0],cmap='gray')  
plt.title("Magnitude"),plt.xticks([]),plt.yticks([])  
plt.show()

我们查看B通道的图像与傅里叶幅度谱：

接下来要进行傅里叶逆变换，代码如下：

def _idft(img):  
    img=np.fft.ifftshift(img)  
    img=cv.idft(img)  
    return cv.magnitude(img[:,:,0],img[:,:,1])

若要在频域上做处理，可以添加掩膜：

def _Mask(img,type=None,d=2,size=4):  
    row,col=img.shape[:-1]  
    if type==None:  
        return np.ones((row,col,d),np.uint8)  
    if type == "LPF":  
        mask=np.zeros((row,col,d),np.uint8)  
        mask[row//size:row//size*(size-1),col//size:col//size*(size-1)]=1  
    elif type=="HPF":  
        mask = np.ones((row, col,d), np.uint8)  
        mask[row//size:row//size*(size-1),col//size:col//size*(size-1)] = 0  
    else:  
        mask=np.ones((row,col,d),np.uint8)  
        mask[row // 2-30:row // 2+30, col // 2-30:col // 2+30] = 0  
    return mask

def _idft(img,mask=None):  
    # img=_Mask(img,type)*img  
    if mask!=None:  
        img=mask*np.fft.ifftshift(img)  
    else:  
        img=np.fft.ifftshift(img)  
    img=cv.idft(img)  
    return cv.magnitude(img[:,:,0],img[:,:,1])

彩色图像结果：

如果想要用A图的高频细节替换B图，可以如下处理：

def _normal(img):  
    a,b=img.max(),img.min()  
    return np.clip((img-b)/(a-b),0,1)

def swap(ori,aug):  
    oriFFT=getRGBDFT(ori)  
    augFFT=getRGBDFT(aug)  
    HPF=_Mask(ori,"HPF",size=3)  
    LPF=_Mask(ori,"LPF",size=16)  
    res=[augFFT[i]*LPF+oriFFT[i]*HPF for i in range(len(oriFFT))]  
    res=[_normal(_idft(i)) for i in res]  
    return cv.merge(res)

完整代码如下：

import cv2 as cv  
import numpy as np  
import matplotlib.pyplot as plt  
  
# 测试图像  
ori=cv.imread(r"F:\ori.jpg")  
aug=cv.imread(r"F:\129.jpg")  
  
# numpy 中的 fft 需要输入灰度图,我们需要将图像分割成不同的通道  
def getRGBDFT(img):  
    # cv2默认的图像通道是BGR，需要进行转换  
    img=cv.cvtColor(img,cv.COLOR_BGR2RGB)  
    # 分离通道  
    r,g,b=cv.split(img)  
    # 对每个通道进行傅里叶变换  
    f_r,f_g,f_b=_dft(r,False),_dft(g,False),_dft(b,False)  
    # 组合通道,还是以bgr格式返回  
    # return cv.merge([f_b,f_g,f_r])  
    return [f_b,f_g,f_r]  
def _dft(img,to_show=True):  
    f=cv.dft(np.float32(img),flags=cv.DFT_COMPLEX_OUTPUT)  
    # 计算幅度谱  
    if to_show:  
        # 对数变换增强对比度  
        magnitude = cv.magnitude(f[:, :, 0], f[:, :, 1])  
        f=np.log(magnitude+1)  
    # 移动低频分量至中心  
    return np.fft.fftshift(f)  
def _idft(img,mask=None):  
    # img=_Mask(img,type)*img  
    if mask!=None:  
        img=mask*np.fft.ifftshift(img)  
    else:  
        img=np.fft.ifftshift(img)  
    img=cv.idft(img)  
    return cv.magnitude(img[:,:,0],img[:,:,1])  
def _Mask(img,type=None,d=2,size=4):  
    row,col=img.shape[:-1]  
    if type==None:  
        return np.ones((row,col,d),np.uint8)  
    if type == "LPF":  
        mask=np.zeros((row,col,d),np.uint8)  
        mask[row//size:row//size*(size-1),col//size:col//size*(size-1)]=1  
    elif type=="HPF":  
        mask = np.ones((row, col,d), np.uint8)  
        mask[row//size:row//size*(size-1),col//size:col//size*(size-1)] = 0  
    else:  
        mask=np.ones((row,col,d),np.uint8)  
        mask[row // 2-30:row // 2+30, col // 2-30:col // 2+30] = 0  
    return mask  
def _normal(img):  
    a,b=img.max(),img.min()  
    return np.clip((img-b)/(a-b),0,1)  
def getRGBIDFT(img,type):  
    fft=getRGBDFT(img)  
    ifft=[_normal(_idft(i,type)) for i in fft]  
    return cv.merge(ifft)  
  
def swap(ori,aug):  
    oriFFT=getRGBDFT(ori)  
    augFFT=getRGBDFT(aug)  
    HPF=_Mask(ori,"HPF",size=3)  
    LPF=_Mask(ori,"LPF",size=4)  
    res=[augFFT[i]*LPF+oriFFT[i]*HPF for i in range(len(oriFFT))]  
    res=[_normal(_idft(i)) for i in res]  
    return cv.merge(res)  
  
  
res=swap(ori,aug)  
plt.subplot(131),plt.imshow(ori)  
plt.title("Ori"),plt.xticks([]),plt.yticks([])  
plt.subplot(132),plt.imshow(aug)  
plt.title("Aug"),plt.xticks([]),plt.yticks([])  
plt.subplot(133),plt.imshow(res)  
plt.title("res"),plt.xticks([]),plt.yticks([])  
plt.show()