OpenCV Python 图像变换

【目标】

• 利用OpenCV 对图像进行 傅里叶变换
• 利用NumPy的FFT函数
• 傅里叶变换的应用
• cv2.dft(), cv2.idft()

【原理】

傅里叶变换常用于频域图像分析。对于图像来说，2D DFT 常用于寻找频域特征，一个快速算法 FFT（Fast Fourier Transform）用于计算DFT。更详细的资料请查找图像处理或者信号处理和 【参考】。

对于正弦信号来说，$X(t)=A\sin (2\pi ft)$, 我们称$f$ 为信号的频率，如果用了频率，那么可以在 $f$ 获得波峰。我们可以假设图像是一个二维的信号，可以在 $X$ 方向和 $Y$ 方向进行采样。

更直观的说，对于正弦信号，如果振幅在短时间内变化如此之快，你可以说它是一个高频信号，如果变化缓慢，则为低频信号。可以将相同的想法扩展到图像，图像中的振幅在何处变化剧烈？在边缘点，或噪声。因此，我们可以说，边缘和噪声是图像中的高频内容，如果振幅没有太大变化，则为低频分量。

【代码】

• NumPy 中的傅里叶变换

我们将了解如何用 NumPy查找傅里叶变换。NumPy中有一个FFT包来实现这一点，np.fft.fft2()给我们提供了一个复数数组，第一个参数是灰度图像，第二个参数是可选的尺寸，如果大于输入，输入填充，如果小于输入，输入裁剪，默认相同。
零频率分量（DC分量）将位于左上角，如果想让它居中，那么就在两个方向上分别移动 $N/2$，可以通过函数 np.fft.fftshift()完成。
可以看到有很多的白色区域在中心，也就是说有很多低频分量。

# NumPy 的 FFT
import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读入图像
img = cv2.imread('assets/messi5.jpg', 0)

# fft
f = np.fft.fft2(img)

# 移动到中心
fshift = np.fft.fftshift(f)

# 幅度
magnitude_spectrum = 20*np.log(np.abs(fshift))

# 显示
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()

• NumPy 中的傅里叶变换应用（高通滤波）

# NumPy 的 FFT
import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读入图像
img = cv2.imread('assets/messi5.jpg', 0)

# fft
f = np.fft.fft2(img)

# 移动到中心
fshift = np.fft.fftshift(f)

# 低频信号较多部分置0
rows, cols = img.shape
crow,ccol = rows//2 , cols//2
fshift[crow-30:crow+31, ccol-30:ccol+31] = 0

# 逆移动
f_ishift = np.fft.ifftshift(fshift)

# 逆变换
img_back = np.fft.ifft2(f_ishift)

# img_back = np.real(img_back) # 官网此处有误
img_back = np.abs(img_back)


# 显示
plt.subplot(131),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(img_back, cmap = 'gray')
plt.title('Image after HPF'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(img_back)
plt.title('Result in JET'), plt.xticks([]), plt.yticks([])
plt.show()

如果仔细看结果，尤其是JET图，可以发现一些人工痕迹，这种效果称为“振铃效应”，主要是由矩形窗口的滤波导致的。所以矩形窗口不能用于滤波，最好的选项是高斯窗口。

• OpenCV 的 dft

# OpenCV dft
import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读入图像
img = cv2.imread('assets/messi5.jpg', 0)

# 进行 dft 运算
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)

# 移动到中心
dft_shift = np.fft.fftshift(dft)

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

# 显示
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()

• OpenCV 的 dft 应用（低通滤波）

# OpenCV dft
import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读入图像
img = cv2.imread('assets/messi5.jpg', 0)

# 进行 dft 运算
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)

# 移动到中心
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape
# crow,ccol = rows/2 , cols/2 # 官网此处代码也有误, 宽高除2不一定是整数
crow, ccol = rows//2, cols//2

# 建立一个mask
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+31, ccol-30:ccol+31] = 1

# 高频信号置零
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(131), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(img_back, cmap='gray')
plt.title('Image After LPF'), plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(img_back)
plt.title('Result in JET'), plt.xticks([]), plt.yticks([])
plt.show()

• DFT 的优化

DFT 计算对某些维度的数组效果更好，当尺寸为2的幂时，速度最快。当尺寸为2、3、5的乘积依然处理更有效。所以，可以在计算DFT之前获得比较好的尺寸（图像可以补零）进行DFT计算。对于OpenCV来说，需要手动补，对于NumPy来说，自动补零。

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

# 读入图像
img = cv2.imread('assets/messi5.jpg', 0)

rows, cols = img.shape
print("{} {}".format(rows, cols))
nrows = cv2.getOptimalDFTSize(rows)
ncols = cv2.getOptimalDFTSize(cols)
print("{} {}".format(nrows, ncols))

342 548
360 576

【接口】

• dft

cv2.dft(	src[, dst[, flags[, nonzeroRows]]]	) ->	dst

对浮点数组执行正和逆离散傅里叶变换

• src: 输入数组，实数或复数
• dst: 输出数组，尺寸和类型取决于flag
• flags: 参数，变换的标识
• nonzeroRows: 当参数不为零时，该函数假设只有输入阵列的第一个非零行（未设置DFT_INVERSE）或只有输出阵列的第一非零行（设置DFT_REVERSE）包含非零，因此，该函数可以更有效地处理其余行并节省一些时间；该技术对于使用DFT计算阵列互相关或卷积非常有用。

• dft flags
  

• idft

cv2.dft(	src[, dst[, flags[, nonzeroRows]]]	) ->	dst

对浮点数组执行逆离散傅里叶变换

• src: 输入数组，实数或复数
• dst: 输出数组，尺寸和类型取决于flag
• flags: 参数，变换的标识
• nonzeroRows: 当参数不为零时，该函数假设只有输入阵列的第一个非零行（未设置DFT_INVERSE）或只有输出阵列的第一非零行（设置DFT_REVERSE）包含非零，因此，该函数可以更有效地处理其余行并节省一些时间；该技术对于使用DFT计算阵列互相关或卷积非常有用。

• magnitude

cv2.magnitude(	x, y[, magnitude]	) ->	magnitude

$$dst(I)=\sqrt{x(I{)}^2+y(I{)}^2}$$

计算 幅度

• x: x坐标的浮点数组
• y: y坐标的浮点数组
• magnitude: 输出的幅度

【参考】

1. OpenCV官方文档
2. An Intuitive Explanation of Fourier Theory by Steven Lehar
3. Fourier Transform at HIPR
4. What does frequency domain denote in case of images?

最后

以上就是时尚月光为你收集整理的【OpenCV-Python】教程：3-11 图像变换（频域变换）OpenCV Python 图像变换的全部内容，希望文章能够帮你解决【OpenCV-Python】教程：3-11 图像变换（频域变换）OpenCV Python 图像变换所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。