数字图像-理想低通滤波器

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
# ldeallowpassfilter.py
# 理想低通滤波器
# 导入相关库
from skimage import data, color
import numpy as np
import matplotlib.pyplot as plt
"""
中文显示工具函数
"""


def set_ch():
    from pylab import mpl
    mpl.rcParams['font.sans-serif'] = ['FangSong']
    mpl.rcParams['axes.unicode_minus'] = False


set_ch()
D = 10
# 读入图像
new_img = data.coffee()
new_img = color.rgb2gray(new_img)
# numpy中的傅里叶变换
f1 = np.fft.fft2(new_img)
f1_shift = np.fft.fftshift(f1)
# 使用np.fft.fftshift()函数实现平移，让直流分量输出图像的重心
# 实现理想低通滤波器
rows, cols = new_img.shape
crow, ccol = int(rows/2), int(cols/2)   # 计算频谱中心
mask = np.zeros((rows, cols), np.uint8)   # 生成rows行cols列的矩阵，数据格式为uint8
for i in range(rows):
    for j in range(cols):
        if np.sqrt(i*i+j*j) <= D:
            # 将距离频谱中心小于D的部分低通信息设置为1，属于低通滤波
            mask[crow-D:crow+D, ccol-D:ccol+D] = 1
f1_shift = f1_shift*mask
# 傅里叶逆变换
f_ishift = np.fft.ifftshift(f1_shift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
img_back = (img_back-np.amin(img_back))/(np.amax(img_back)-np.amin(img_back))
# plt.figure(figsize=(15, 8))
plt.figure()
plt.subplot(121), plt.imshow(new_img, cmap='gray')
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.show()