我是靠谱客的博主 机灵黄豆，最近开发中收集的这篇文章主要介绍【图像处理：频率域平滑与锐化】理想滤波器，巴特沃思滤波器，高斯滤波器一、背景知识二、理想滤波器原理及实现三、巴特沃思滤波器原理及实现三、高斯滤波器原理及实现四、代码附录五、结尾，觉得挺不错的，现在分享给大家，希望可以做个参考。
概述
【频率域平滑、锐化滤波器】理想滤波器，巴特沃思滤波器，高斯滤波器
- 一、背景知识
- 二、理想滤波器原理及实现
- 1.理想低通滤波器
- 2.理想低通滤波器的实现：
- 3.理想高通滤波器：
- 三、巴特沃思滤波器原理及实现
- 1.巴特沃思低通滤波器
- 2.巴特沃思高通滤波器
- 三、高斯滤波器原理及实现
- 1.高斯低通滤波器：
- 2.高斯高通滤波器：
- 四、代码附录
- 五、结尾
一、背景知识
本文主要介绍频率域滤波器，此处的频率域是基于傅立叶变换得出。
在一幅图像中，低频对应图像变化缓慢的部分，即图像大致外观和轮廓。高频部分对应图像变化剧烈的部分即图像细节。低通滤波器的功能是让低频率通过而滤掉或衰减高频，其作用是过滤掉包含在高频中的噪声。即低通滤波的效果是图像去噪声平滑增强，但同时也抑制了图像的边界即过滤掉图像细节，造成图像不同程序上的模糊。
这里考虑三种滤波器，分别为理想滤波器、巴特沃思滤波器和高斯滤波器。这三种滤波器分别有其低通滤波器和高通滤波器。
这三种滤波器涵盖了从非常尖锐（理想）到非常平坦（高斯）范围的滤波器函数。巴特沃思滤波器有一个参数，称为滤波器的“阶数”。当此参数的值较高时，巴特沃思滤波器接近理想滤波器。因此，巴特沃思滤波器可看作两种“极端”滤波器的过渡。
二、理想滤波器原理及实现
1.理想低通滤波器
我们所想像的最简单的低通滤波器是“截断”傅里叶变换中所有高频部分，这些成分处在距变换原点的距离比指定距离D0要更远得多的位置。这种滤波器被称为二维理想低通滤波器（ILPF），其变换函数为：
其中，D0是指定的非负数值，D（u,w）是（u，v）点距频率矩形原点的距离。如果要研究的图像尺寸为M*X，它的变换也有相同的尺寸，由于变换被中心化了，所以频率矩阵的中心在（u，v）=（M/2,N/2）处。在这种情况下，从点（u，v）到傅立叶变换中心的距离如下所示：（参照傅立叶变换和频率域）
需要注意理想低通滤波非常不实用，在使用中会产生“振铃”（输出图像的灰度剧烈变化处产生的震荡，就好像钟被敲击后产生的空气震荡）。然而，因为理想滤波器可以在计算机上实现，所以作为滤波概念发展的一部分，研究滤波器的特性非常有用。
2.理想低通滤波器的实现：
步骤一：将图像扩充为适合离散傅立叶变换的图像尺寸大小。
Mat Filter::ImageChangeForDft(const Mat & input)
{
int width = getOptimalDFTSize(input.cols);
int height = getOptimalDFTSize(input.rows);
Mat output;
copyMakeBorder(input,output,0,height-input.rows,0,width-input.cols,BORDER_CONSTANT,Scalar::all(0));
output.convertTo(output,CV_32FC1);
return output;
}
核心函数介绍：
int getOptimalDFTSize(int vecsize);
int类型的vecsize，向量尺寸，一般是图片的宽或高。
该函数可以自动计算最适合进行离散傅里叶变换的图像尺寸大小，从而提高计算速度。
CV_EXPORTS_W void copyMakeBorder(InputArray src, OutputArray dst, int top, int bottom, int left, int right,int borderType, const Scalar& value = Scalar() );
src：输入图像。 dst：输出图像(类型和输入图像类型一致，大小为：Size(src.cols+left+right,src.rows+top+bottom))。
top、bottom、left、 right: 这4个参数指定输出图像4个方向要扩展多少个像素，
bordertype：已拷贝的原图像长方形的边界的类型：IPL_BORDER_CONSTANT：填充边界为固定值，值由函数最后一个参数指定。
IPL_BORDER_REPLICATE：边界用上下行或者左右列来复制填充。
value：如果border==BORDER_CONSTANT，value为border value。
步骤二：根据公式截断，获得滤波器ILPF
Mat Filter::IdealLowKernel(Mat &input,const float sigma) {
Mat result(input.size(),CV_32FC1);
float d0=sigma;//半径D0越小，模糊越大；半径D0越大，模糊越小
for(int i=0;i<input.rows ; i++ )
{
for(int j=0; j<input.cols ; j++ )
{
float d = sqrt(pow((i - input.rows/2),2) + pow((j - input.cols/2),2));//分子,计算pow必须为float型
//d实际是到中心点的距离。
if (d <= d0)
{
result.at<float>(i,j)=1;
}
else
{
result.at<float>(i,j)=0;
}
}
}
return result; }
float d = sqrt(pow((i - input.rows/2),2) + pow((j - input.cols/2),2))
注意：该公式是基于频谱居中后的频谱图进行到中心点的距离计算，所以dft之后需要将频谱居中再计算
理想低通滤波“截断”傅里叶变换中所有高频部分，这些成分处在距变换原点的距离比指定距离D0要更远得多的位置，根据点（u，v）到傅立叶变换中心的距离进行截断。
步骤三：空间域转频率域，与滤波器ILPF相乘，再转回空间域
Mat Filter::FrequencyFilter(Mat &input,Mat &blur)
{
//first, from spatial domain to frequency domain
Mat plane[] = {input , Mat::zeros(input.size() , CV_32FC1)};
Mat dftMat;
merge(plane,2,dftMat);
dft(dftMat,dftMat);
//second, shift frequency domain
split(dftMat,plane);
// plane[0] = plane[0](Rect(0, 0, plane[0].cols & -2, plane[0].rows & -2));//这里为什么&上-2具体查看opencv文档
// //其实是为了把行和列变成偶数 -2的二进制是11111111.......10 最后一位是0
//频谱居中，四个象限位置互换，其中Plane[0]为实部，Plane[1]为虚部
int cx = plane[0].cols/2;
int cy = plane[0].rows/2;
Mat part1_r(plane[0],Rect(0,0,cx,cy));
Mat part2_r(plane[0],Rect(cx,0,cx,cy));
Mat part3_r(plane[0],Rect(0,cy,cx,cy));
Mat part4_r(plane[0],Rect(cx,cy,cx,cy));
Mat temp;
part1_r.copyTo(temp);
part4_r.copyTo(part1_r);
temp.copyTo(part4_r);
part2_r.copyTo(temp);
part3_r.copyTo(part2_r);
temp.copyTo(part3_r);
Mat part1_i(plane[1],Rect(0,0,cx,cy));
Mat part2_i(plane[1],Rect(cx,0,cx,cy));
Mat part3_i(plane[1],Rect(0,cy,cx,cy));
Mat part4_i(plane[1],Rect(cx,cy,cx,cy));
part1_i.copyTo(temp);
part4_i.copyTo(part1_i);
temp.copyTo(part4_i);
part2_i.copyTo(temp);
part3_i.copyTo(part2_i);
temp.copyTo(part3_i);
//third, multipy filter kernel and dftMat
Mat blur_r,blur_i,BLUR;
multiply(plane[0], blur, blur_r); //滤波（实部与滤波器模板对应元素相乘）
multiply(plane[1], blur,blur_i);//滤波（虚部与滤波器模板对应元素相乘）
Mat plane1[]={blur_r, blur_i};
merge(plane1,2,BLUR);//实部与虚部合并
//last, from frequency domain to spatial domain
idft( BLUR, BLUR);
split(BLUR,plane);
magnitude(plane[0],plane[1],plane[0]);
normalize(plane[0],plane[0],1,0,CV_MINMAX);
Mat result;
normalize(plane[0], result, 0, 255, CV_MINMAX);
return result;
}
基于以上算法，可以更换滤波器达到不同的图像增强效果。
3.理想高通滤波器：
剔除低频，即当d<=d0 时为0。
Mat Filter::IdealHighKernel(Mat &scr,float sigma)
{
Mat result(scr.size(),CV_32FC1);
float d0=sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));//分子,计算pow必须为float型
if (d <= d0)
{
result.at<float>(i,j)=0;
}
else
{
result.at<float>(i,j)=1;
}
}
}
return result;
}
三、巴特沃思滤波器原理及实现
1.巴特沃思低通滤波器
n级巴特沃思低通滤波器（BLPF）的传递函数（且截止频率距原点的距离为D0）的定义如下：
不同于ILPF，BLPF变换函数在通带与被滤除的频率之间没有明显的截断。对于有传递函数的滤波器，定义一个截止频率的位置并使H(u,v)幅度降到其最大值的一部分。在式中，当D(u,v)=D0时，H(u,v)=0.5（从最大值1降到它的50%）
一个一阶的巴特沃思滤波器没有振铃。在二阶中振铃通常很微小，但阶数增高的时候振铃变会成为一个重要的影响因素。阶数为5明显振铃和负值，阶数为20与ILPF相似。二阶的BLPF是在有效的低通滤波和可接受的振铃特性之间的折中。
Mat Filter::ButterworthLowKernel(Mat &scr,float sigma, int n)
{
Mat result(scr.size(),CV_32FC1);
double D0 = sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));
result.at<float>(i,j)=1.0 / (1 + pow(d / D0, 2 * n));
}
}
string name = "ButterworthLowKerneld0=" + std::to_string(sigma) + "n=" + std::to_string(n);
imshow(name, result);
return result;
}
2.巴特沃思高通滤波器
同低通滤波器情况一样，可以认为巴特沃思高通滤波器比IHPF更平滑。
Mat Filter::ButterworthHighKernel(Mat &scr,float sigma, int n)
{
Mat result(scr.size(),CV_32FC1); //，CV_32FC1
double D0 = sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));
result.at<float>(i,j)=1.0 / (1 + pow(D0 / d, 2 * n));
}
}
return result;
}
三、高斯滤波器原理及实现
1.高斯低通滤波器：
其中，D0是截止频率，D(u,v)是距频率矩形中心的距离。高斯滤波器的宽度由参数 D0 表征，决定了平滑程度，而且 D0越大，高斯滤波器的频带就越宽，平滑程度就越好。因为噪声主要集中在高频段，所以通过高斯低通滤波器可以滤除噪声信息、平滑图像，但与此同时会滤除图像的细节信息，使图像变得模糊。
Mat Filter::GaussianLowPassKernel(Mat scr,float sigma)
{
Mat gaussianBlur(scr.size(),CV_32FC1);
float d0=2*sigma*sigma;//高斯函数参数，越小，频率高斯滤波器越窄，滤除高频成分越多，图像就越平滑
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
float d=pow(float(i-scr.rows/2),2)+pow(float(j-scr.cols/2),2);//分子,计算pow必须为float型
gaussianBlur.at<float>(i,j)=expf(-d/d0);//expf为以e为底求幂（必须为float型）
}
}
return gaussianBlur;
}
2.高斯高通滤波器：
通过高斯高通滤波器可以增强细节信息，提升图像的高频分量，减少低频分量，对微小物体和细线条也能很好地增强显示。
Mat Filter::GaussianHighPassKernel(Mat scr,float sigma)
{
Mat gaussianBlur(scr.size(),CV_32FC1); //，CV_32FC1
float d0=2*sigma*sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
float d=pow(float(i-scr.rows/2),2)+pow(float(j-scr.cols/2),2);//分子,计算pow必须为float型
gaussianBlur.at<float>(i,j)=1-expf(-d/d0);
}
}
return gaussianBlur;
}
通过公式里的傅立叶反变换得到的空间高斯滤波器将没有振铃。也是平时最为常用的滤波器。
四、代码附录
<filter.h>
#ifndef FILTER
#define FILTER
#include <iostream>
#include <opencv2/opencv.hpp>
class Filter
{
public:
cv::Mat ImageChangeForDft(const cv::Mat & input);
cv::Mat IdealLowKernel(cv::Mat &input,const float sigma);
cv::Mat FrequencyFilter(cv::Mat &input,cv::Mat &blur);
cv::Mat IdealLowPassFilter(const cv::Mat &input, float sigma);
cv::Mat ButterworthLowKernel(cv::Mat &scr,float sigma, int n);
cv::Mat ButterworthLowPassFilter(cv::Mat &src, float d0, int n);
cv::Mat GaussianLowPassKernel(cv::Mat scr,float sigma);
cv::Mat GaussianLowPassFilter(cv::Mat &src, float d0);
cv::Mat IdealHighKernel(cv::Mat &scr,float sigma);
cv::Mat IdealHighPassFilter(cv::Mat &src, float sigma);
cv::Mat ButterworthHighKernel(cv::Mat &scr,float sigma, int n);
cv::Mat ButterworthHighPaassFilter(cv::Mat &src, float d0, int n);
cv::Mat GaussianHighPassKernel(cv::Mat scr,float sigma);
cv::Mat GaussianHighPassFilter(cv::Mat &src, float d0);
};
<filter.cpp>
#include <iostream>
#include <opencv2/opencv.hpp>
#include "filter.h"
using namespace std;
using namespace cv;
Mat Filter::ImageChangeForDft(const Mat & input)
{
int width = getOptimalDFTSize(input.cols);
int height = getOptimalDFTSize(input.rows);
Mat output;
copyMakeBorder(input,output,0,height-input.rows,0,width-input.cols,BORDER_CONSTANT,Scalar::all(0));
output.convertTo(output,CV_32FC1);
return output;
}
//*****************理想低通滤波器******************
Mat Filter::IdealLowKernel(Mat &input,const float sigma)
{
Mat result(input.size(),CV_32FC1);
float d0=sigma;//半径D0越小，模糊越大；半径D0越大，模糊越小
for(int i=0;i<input.rows ; i++ )
{
for(int j=0; j<input.cols ; j++ )
{
float d = sqrt(pow((i - input.rows/2),2) + pow((j - input.cols/2),2));//分子,计算pow必须为float型
//d实际是到中心点的距离。
if (d <= d0)
{
result.at<float>(i,j)=1;
}
else
{
result.at<float>(i,j)=0;
}
}
}
return result;
}
Mat Filter::FrequencyFilter(Mat &input,Mat &blur)
{
//first, from spatial domain to frequency domain
Mat plane[] = {input , Mat::zeros(input.size() , CV_32FC1)};
Mat dftMat;
merge(plane,2,dftMat);
dft(dftMat,dftMat);
//second, shift frequency domain
split(dftMat,plane);
// plane[0] = plane[0](Rect(0, 0, plane[0].cols & -2, plane[0].rows & -2));//这里为什么&上-2具体查看opencv文档
// //其实是为了把行和列变成偶数 -2的二进制是11111111.......10 最后一位是0
//频谱居中，四个象限位置互换，其中Plane[0]为实部，Plane[1]为虚部
int cx = plane[0].cols/2;
int cy = plane[0].rows/2;
Mat part1_r(plane[0],Rect(0,0,cx,cy));
Mat part2_r(plane[0],Rect(cx,0,cx,cy));
Mat part3_r(plane[0],Rect(0,cy,cx,cy));
Mat part4_r(plane[0],Rect(cx,cy,cx,cy));
Mat temp;
part1_r.copyTo(temp);
part4_r.copyTo(part1_r);
temp.copyTo(part4_r);
part2_r.copyTo(temp);
part3_r.copyTo(part2_r);
temp.copyTo(part3_r);
Mat part1_i(plane[1],Rect(0,0,cx,cy));
Mat part2_i(plane[1],Rect(cx,0,cx,cy));
Mat part3_i(plane[1],Rect(0,cy,cx,cy));
Mat part4_i(plane[1],Rect(cx,cy,cx,cy));
part1_i.copyTo(temp);
part4_i.copyTo(part1_i);
temp.copyTo(part4_i);
part2_i.copyTo(temp);
part3_i.copyTo(part2_i);
temp.copyTo(part3_i);
//third, multipy filter kernel and dftMat
Mat blur_r,blur_i,BLUR;
multiply(plane[0], blur, blur_r); //滤波（实部与滤波器模板对应元素相乘）
multiply(plane[1], blur,blur_i);//滤波（虚部与滤波器模板对应元素相乘）
Mat plane1[]={blur_r, blur_i};
merge(plane1,2,BLUR);//实部与虚部合并
//last, from frequency domain to spatial domain
idft( BLUR, BLUR);
split(BLUR,plane);
magnitude(plane[0],plane[1],plane[0]);
normalize(plane[0],plane[0],1,0,CV_MINMAX);
Mat result;
normalize(plane[0], result, 0, 255, CV_MINMAX);
return result;
}
//理想低通滤波器
Mat Filter::IdealLowPassFilter(const Mat &input, float sigma)
{
Mat padded = ImageChangeForDft(input);
Mat ideal_kernel=IdealLowKernel(padded,sigma);
Mat result = FrequencyFilter(padded,ideal_kernel);
return result;
}
Mat Filter::ButterworthLowKernel(Mat &scr,float sigma, int n)
{
Mat result(scr.size(),CV_32FC1);
double D0 = sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));
result.at<float>(i,j)=1.0 / (1 + pow(d / D0, 2 * n));
}
}
string name = "ButterworthLowKerneld0=" + std::to_string(sigma) + "n=" + std::to_string(n);
imshow(name, result);
return result;
}
//巴特沃斯低通滤波器
Mat Filter::ButterworthLowPassFilter(Mat &src, float d0, int n)
{
//H = 1 / (1+(D/D0)^2n) n表示巴特沃斯滤波器的次数
//阶数n=1 无振铃和负值 阶数n=2 轻微振铃和负值 阶数n=5 明显振铃和负值 阶数n=20 与ILPF相似
Mat padded = ImageChangeForDft(src);
Mat butterworth_kernel=ButterworthLowKernel(padded,d0, n);
Mat result = FrequencyFilter(padded,butterworth_kernel);
return result;
}
Mat Filter::GaussianLowPassKernel(Mat scr,float sigma)
{
Mat gaussianBlur(scr.size(),CV_32FC1);
float d0=2*sigma*sigma;//高斯函数参数，越小，频率高斯滤波器越窄，滤除高频成分越多，图像就越平滑
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
float d=pow(float(i-scr.rows/2),2)+pow(float(j-scr.cols/2),2);//分子,计算pow必须为float型
gaussianBlur.at<float>(i,j)=expf(-d/d0);//expf为以e为底求幂（必须为float型）
}
}
return gaussianBlur;
}
//高斯低通
Mat Filter::GaussianLowPassFilter(Mat &src, float d0)
{
Mat padded = ImageChangeForDft(src);
Mat gaussian_kernel=GaussianLowPassKernel(padded,d0);//理想低通滤波器
Mat result = FrequencyFilter(padded,gaussian_kernel);
return result;
}
Mat Filter::IdealHighKernel(Mat &scr,float sigma)
{
Mat result(scr.size(),CV_32FC1);
float d0=sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));//分子,计算pow必须为float型
if (d <= d0)
{
result.at<float>(i,j)=0;
}
else
{
result.at<float>(i,j)=1;
}
}
}
return result;
}
//理想高通滤波器
Mat Filter::IdealHighPassFilter(Mat &src, float sigma)
{
Mat padded = ImageChangeForDft(src);
Mat ideal_kernel=IdealHighKernel(padded,sigma);
Mat result = FrequencyFilter(padded,ideal_kernel);
return result;
}
Mat Filter::ButterworthHighKernel(Mat &scr,float sigma, int n)
{
Mat result(scr.size(),CV_32FC1); //，CV_32FC1
double D0 = sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
double d = sqrt(pow((i - scr.rows/2),2) + pow((j - scr.cols/2),2));
result.at<float>(i,j)=1.0 / (1 + pow(D0 / d, 2 * n));
}
}
return result;
}
//巴特沃斯高通滤波器
Mat Filter::ButterworthHighPaassFilter(Mat &src, float d0, int n)
{
//H = 1 / (1+(D0/D)^2n) n表示巴特沃斯滤波器的次数
Mat padded = ImageChangeForDft(src);
Mat butterworth_kernel=ButterworthHighKernel(padded,d0, n);
Mat result = FrequencyFilter(padded,butterworth_kernel);
return result;
}
Mat Filter::GaussianHighPassKernel(Mat scr,float sigma)
{
Mat gaussianBlur(scr.size(),CV_32FC1); //，CV_32FC1
float d0=2*sigma*sigma;
for(int i=0;i<scr.rows ; i++ )
{
for(int j=0; j<scr.cols ; j++ )
{
float d=pow(float(i-scr.rows/2),2)+pow(float(j-scr.cols/2),2);//分子,计算pow必须为float型
gaussianBlur.at<float>(i,j)=1-expf(-d/d0);
}
}
return gaussianBlur;
}
//高斯高通
Mat Filter::GaussianHighPassFilter(Mat &src, float d0)
{
Mat padded = ImageChangeForDft(src);
Mat gaussian_kernel=GaussianHighPassKernel(padded,d0);//理想低通滤波器
Mat result = FrequencyFilter(padded,gaussian_kernel);
return result;
}
#endif
五、结尾
至此还可以引出其他拓展点：
如频率域的锐化滤波器还有拉普拉斯算子等、同时还有钝化模板、高频提升滤波和高频加强滤波、同态滤波器等
最后
以上就是机灵黄豆为你收集整理的【图像处理：频率域平滑与锐化】理想滤波器，巴特沃思滤波器，高斯滤波器一、背景知识二、理想滤波器原理及实现三、巴特沃思滤波器原理及实现三、高斯滤波器原理及实现四、代码附录五、结尾的全部内容，希望文章能够帮你解决【图像处理：频率域平滑与锐化】理想滤波器，巴特沃思滤波器，高斯滤波器一、背景知识二、理想滤波器原理及实现三、巴特沃思滤波器原理及实现三、高斯滤波器原理及实现四、代码附录五、结尾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。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[数字图像处理]频域滤波(2)--高通滤波器，带阻滤波器与陷波滤波器](/uploads/reation/bcimg5.png)
发表评论 取消回复