基於Python實現圖像的傅裡葉變換
前言
首先是本文總體代碼,改一下圖像的讀取路徑就可以運行瞭,但我還是建議大傢先看後面的步驟一行行敲代碼,這樣效果更好:
""" Author:XiaoMa date:2021/11/7 """ import cv2 import matplotlib.pyplot as plt import numpy as np #讀取圖像信息 from numpy.fft import ifftshift img0 = cv2.imread("E:\From Zhihu\For the desk\cvthirteen2.jpg") img1 = cv2.resize(img0, dsize = None, fx = 0.5, fy = 0.5) img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #轉化為灰度圖 h, w = img1.shape[:2] print(h, w) cv2.namedWindow("W0") cv2.imshow("W0", img2) cv2.waitKey(delay = 0) #將圖像轉化到頻域內並繪制頻譜圖 ##numpy實現 plt.rcParams['font.family'] = 'SimHei' #將全局中文字體改為黑體 f = np.fft.fft2(img2) fshift = np.fft.fftshift(f) #將0頻率分量移動到圖像的中心 magnitude_spectrum0 = 20*np.log(np.abs(fshift)) #傅裡葉逆變換 #Numpy實現 ifshift = np.fft.ifftshift(fshift) # 將復數轉為浮點數進行傅裡葉頻譜圖顯示 ifimg = np.log(np.abs(ifshift)) if_img = np.fft.ifft2(ifshift) origin_img = np.abs(if_img) imggroup = [img2, magnitude_spectrum0, ifimg, origin_img] titles0 = ['原始圖像', '經過移動後的頻譜圖', '逆變換得到的頻譜圖', '逆變換得到的原圖'] for i in range(4): plt.subplot(2, 2, i + 1) plt.xticks([]) #除去刻度線 plt.yticks([]) plt.title(titles0[i]) plt.imshow(imggroup[i], cmap = 'gray') plt.show() ##OpenCV實現 dft = cv2.dft(np.float32(img2), flags = cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) magnitude_spectrum1 = 20*np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) plt.subplot(121), plt.imshow(img2, cmap = 'gray') plt.title('原圖'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(magnitude_spectrum1, cmap = 'gray') plt.title('頻譜圖'), plt.xticks([]), plt.yticks([]) plt.show()
(1)基本概念
一般我們觀察信號是直接在時域內(聲音信號)或者空間內(圖像)對其進行分析,這樣雖然符合常理,但信號中的一些有用的條件就不會被我們考慮進去,從而達不到分析的效果,所以我們要將信號轉化到其他的一些變換域中進行分析。
(2)讀取圖像信息
本系列文章經典操作:
""" Author:XiaoMa date:2021/11/7 """ import cv2 import matplotlib.pyplot as plt import numpy as np #讀取圖像信息 img0 = cv2.imread("E:\From Zhihu\For the desk\cvthirteen2.jpg") img1 = cv2.resize(img0, dsize = None, fx = 0.5, fy = 0.5) img2 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #轉化為灰度圖 h, w = img1.shape[:2] print(h, w) cv2.namedWindow("W0") cv2.imshow("W0", img1) cv2.waitKey(delay = 0)
得到圖像信息如下:
540 960
1. 傅裡葉變換
代碼參考:OpenCV官網
(1)基本概念
當我們描述一段聲音時,我們不僅會說它的音量的大小如何,還有可能會說它的頻率是高的還是低的,那麼我們該怎麼理解頻率這個概念呢?以前學習三角函數時我們被告知每一個正弦信號有它的固定的頻率,就是它的周期的倒數。那麼什麼是頻域呢?我們也接觸過其他形狀的波形,比如方波、三角波等等,而這些不同形狀的波呢,就是用一個個頻率不相同的正弦波組成的,如果我們將那些不同頻率的正弦波按照它們的頻率大小排列起來,就得到瞭一個頻率軸(這是一維的),然後我們將各個頻率對應的幅度值給它們對應起來(就像xoy平面一樣)得到的二維的平面,就是頻域瞭。傅裡葉變換就是將信號從時域轉化到頻域的一個工具。對於傅裡葉變換中的的理解可以參考下面的圖片:
當然如果你想更加深入的瞭解傅裡葉變換,你可以按照圖片上的水印去搜索,他那裡講的非常清晰。
(2)numpy實現
#將圖像轉化到頻域內並繪制頻譜圖 plt.rcParams['font.family'] = 'SimHei' #將全局中文字體改為黑體 f = np.fft.fft2(img2) fshift = np.fft.fftshift(f) #將0頻率分量移動到中心 magnitude_spectrum = 20*np.log(np.abs(fshift)) plt.xticks([]) #除去刻度線 plt.yticks([]) plt.title("頻譜圖") plt.imshow(magnitude_spectrum, cmap = 'gray') plt.show()
(3)OpevCV實現
#OpenCV實現 dft = cv2.dft(np.float32(img2), flags = cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) magnitude_spectrum1 = 20*np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) plt.subplot(121), plt.imshow(img2, cmap = 'gray') plt.title('原圖'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(magnitude_spectrum1, cmap = 'gray') plt.title('頻譜圖'), plt.xticks([]), plt.yticks([]) plt.show()
2. 傅裡葉逆變換
(1)基本概念
前面提到,經過傅裡葉變換圖像可以轉化到頻域內,那麼經過傅裡葉逆變換,圖像肯定能從頻域內轉化到時域中,所以傅裡葉逆變換就是將信號從頻域轉化到時域的工具。
(2)代碼實現
此處的代碼接上面的使用 Numpy 進行傅裡葉變換
#傅裡葉逆變換 #Numpy實現 ifshift = np.fft.ifftshift(fshift) # 將復數轉為浮點數進行傅裡葉頻譜圖顯示 ifimg = np.log(np.abs(ifshift)) if_img = np.fft.ifft2(ifshift) origin_img = np.abs(if_img) imggroup = [img2, magnitude_spectrum0, ifimg, origin_img] titles0 = ['原始圖像', '經過移動後的頻譜圖', '逆變換得到的頻譜圖', '逆變換得到的原圖'] for i in range(4): plt.subplot(2, 2, i + 1) plt.xticks([]) #除去刻度線 plt.yticks([]) plt.title(titles0[i]) plt.imshow(imggroup[i], cmap = 'gray') plt.show()
到此這篇關於基於Python實現圖像的傅裡葉變換的文章就介紹到這瞭,更多相關Python圖像傅裡葉變換內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- OpenCV圖像變換之傅裡葉變換的一些應用
- python用opencv 圖像傅裡葉變換
- OpenCV-Python使用cv2實現傅裡葉變換
- opencv python簡易文檔之圖像處理算法
- Python OpenCV Canny邊緣檢測算法的原理實現詳解