OpenCV实战系列总目录
打印图像直接用这个函数：
def cv_show(img,name):
cv2.imshow(name,img)
cv2.waitKey()
cv2.destroyAllWindows()
1、傅里叶变换
在生活中，我们的大部分事情都是以时间为参照的，用时间为参照的为时域分析，在频域中一切都是静止的。对傅里叶解释特别好的一篇文章推荐看知乎的这篇：
https://zhuanlan.zhihu.com/p/19763358
傅里叶变换的作用：
- 高频：变化剧烈的灰度分量，例如边界，像素值变化特别快的区域
- 低频：变化缓慢的灰度分量，例如一片大海，可以看成和高频相反情况
滤波：
- 低通滤波器：只保留低频，会使得图像模糊
- 高通滤波器：只保留高频，会使得图像细节增强
在openCV中的傅里叶变换：
- 实现傅里叶变换的函数cv2.dft()，展示图像的时候需要用到逆变换cv2.idft()，输入图像需要先转换成np.float32 格式
- 得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现
- cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）
2、openCV傅里叶变换
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
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()
- 第一到五行，导入工具包、读进来lena的灰度图，转换成np.float32 格式
- 执行傅里叶变换，得到一个频谱图
- numpy中也有fft，将低频值转换到中间的位置，得到低频在坐标中间的结果
- 还需要再进行转换才能得到图像形式的表达，现成的函数执行这个转换cv2.magnitude
- 画出结果
打印结果：
3、低通滤波
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 低通滤波
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# IDFT
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('Result'), plt.xticks([]), plt.yticks([])
plt.show()
- 前面都是一样的操作
- row，cols是图像的长宽
- 计算图像中心的位置
- 构造低通滤波器
- 在中心位置的上下左右30全部置为1，相当于只有中心位置是1其余全是0
- 将掩码和傅里叶的结果结合在一起，只留下中间的区域
- 在执行傅里叶逆变换先进行一次np.fft.ifftshift，原来是中间的位置，现在还回去
- 执行傅里叶逆变换
- 将实部虚部转化为图像
- 画图
打印结果：
边界部分变得模糊
4、高通滤波
img = cv2.imread('lena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = int(rows/2) , int(cols/2) # 中心位置
# 高通滤波
mask = np.ones((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 0
# IDFT
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('Result'), plt.xticks([]), plt.yticks([])
plt.show()
把高频去掉了，就是低频了
mask = np.ones((rows, cols, 2), np.uint8)，之前全是zeros，现在是ones
mask[crow-30:crow+30, ccol-30:ccol+30] = 0只有中间位置置成0
其他部分的代码全部都是一样的，这就是高通滤波了
打印结果：
只保留了一些边界的信息
