智能图像处理：Python和OpenCV实现第六章 图像频域滤波.pptx

第6章图像频域滤波;频域滤波;;6.1;傅里叶变换;6.1.1 Numpy中的傅里叶变换; 在Numpy库中有FFT（快速傅里叶变换）函数来实现傅立叶变换。二维的傅里叶变换函数语法格式为： np.fft.fft2(src, n=None, axis=-1, norm=None) 其中第一个参数是输入图像，即灰度图像。第二个参数是可选的，它决定输出数组的大小。如果它大于输入图像的尺寸，则在计算FFT之前用零填充输入图像。如果小于输入图像，将裁切输入图像。如果未传递任何参数，则输出数组的大小将与输入的大小相同。其余参数选择默认值即可。;例6.1 利用python的numpy库实现图像傅里叶变换及反变换。;6.1.2 OpenCV中的傅里叶变换;表6-1 flags标识符列表;例6.2 利用OpenCV提供了函数cv2.dft()和函数cv2.idft实现傅里叶变换和逆变换。;6.2;低通滤波;6.2.1 理想低通滤波器;例6.3 对一幅图像进行不同范围频域的理想低通滤波，观察效果。;程序运行结果如图所示。从结果看，图中左边为原图像，中间图像为在傅里叶变换频域上截取40ⅹ40正方形的低通区域，逆变换后的得到的图像，可以看出图像变得模糊、丢失了许多细节、有振铃现象，这也是理想低通滤波的特点。右边图像为在傅里叶变换频域上截取100ⅹ100正方形的低通区域，逆变换后的得到的图像，这时图像看起来与原图像基本差不多了，这也是对图像进行有损压缩的原理。;6.2.2 巴特沃斯低通滤波（Butterworth filter）;例6.4 对一幅图像进行巴特沃斯低通滤波，观察结果。;def BWfilter(rows, cols, d0, n): #巴特沃斯低通滤波 duv = fft_distances(*fft_mat.shape[:2]) filter_mat = 1 / (1 + np.power(duv / d0, 2 * n)) filter_mat = cv2.merge((filter_mat, filter_mat)) return filter_mat def do_filter(_=None): d0 = cv2.getTrackbarPos(D0, filter_win) n = cv2.getTrackbarPos(n, filter_win) filter_mat = BWfilter(fft_mat.shape[0], fft_mat.shape[1], d0, n) filtered_mat = filter_mat * fft_mat img_back = ifft(filtered_mat) cv2.imshow(image_win, combine_images([img_back, fft_image(filter_mat)])) ;当D0=30、n=2时程序运行结果如图6-4所示。可以通过调整滤波器参数D0和n，看到滤波器参数D0和n的变换对图像滤波的影响效果。当滤波半径D0越大，滤波效果越好，图像越清晰；当滤波器阶数越???，图像变得越模糊。因为巴特沃斯低通滤波器在高、低频间的过渡平滑，因此没有出现明显的振铃效应。;6.3 高斯低通滤波（Gaussian Low Pass Filter）;例6.5 对一幅图像进行高斯低通滤波，观察结果。;def glpfilter(rows, cols, d0, n): #高斯低通滤波 duv = fft_distances(*fft_mat.shape[:2]) filter_mat = np.exp(-(duv * duv) / (2 * d0 * d0)) filter_mat = cv2.merge((filter_mat, filter_mat)) return filter_mat def do_filter(_=None): d0 = cv2.getTrackbarPos(D0, filter_win) n = cv2.getTrackbarPos(n, filter_win) filter_mat = glpfilter(fft_mat.shape[0], fft_mat.shape[1], d0, n) filtered_mat = filter_mat * fft_mat img_back = ifft(filtered_mat) cv2.imshow(image_win, combine_images([img_back, fft_image(filter_mat)]));当D0=30、n