数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学如何使用OpenCV Python查找图像的傅里叶变换？
离散傅里叶变换 (DFT) 和离散傅里叶逆变换 (IDFT) 应用于图像以查找频域。为了找到图像的傅里叶变换，我们使用函数cv2.dft()和cv2.idft()。我们可以应用傅里叶变换来分析各种滤波器的频率特性。
步骤
为了找到输入图像的傅里叶变换，可以按照以下步骤操作：
导入所需的库。在以下所有 Python 示例中，所需的 Python 库为OpenCV、Numpy和Matplotlib。请确保您已安装它们。
使用cv2.imread()方法将输入图像加载为灰度图像。并将灰度图像的类型转换为float32。
使用cv2.dft()并传递所需参数来查找图像上的离散傅里叶变换。
调用np.fft.fftshift()将零频率分量移到频谱的中心。
应用对数变换并可视化幅度谱。
为了可视化变换后的图像，我们应用逆变换np.fft.ifftshift()和cv2.idft()。请参见下面讨论的第二个示例。
让我们来看一些例子，以便清楚地理解这个问题。
输入图像
我们将在下面的示例中使用此图像作为输入文件。
示例
在这个程序中，我们找到输入图像的离散傅里叶变换。我们找到并绘制幅度谱。
# import required libraries import numpy as np import cv2 from matplotlib import pyplot as plt # read input image img = cv2.imread('film.jpg',0) # find the discrete fourier transform of the image dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # shift zero-frequency component to the center of the spectrum dft_shift = np.fft.fftshift(dft) magnitude_spectrum = 20*np.log(cv2.magnitude( dft_shift[:,:,0], dft_shift[:,:,1]) ) # visualize input image and the magnitude spectrum 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()
输出
运行上面的 Python 程序后，它将生成以下输出窗口：
示例
在这个程序中，我们找到输入图像的离散傅里叶变换。我们使用诸如ifftshift()和idft()之类的反函数重建图像。
import numpy as np import cv2 from matplotlib import pyplot as plt # read the input image img = cv2.imread('film.jpg',0) # find the discrete fourier transform of the image dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # hift zero-frequency component to the center of the spectrum dft_shift = np.fft.fftshift(dft) rows, cols = img.shape crow,ccol = rows//2 , cols//2 mask = np.zeros((rows,cols,2),np.uint8) mask[crow-30:crow+30, ccol-30:ccol+30] = 1 # apply mask and inverse DFT 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]) # visualize the images plt.subplot(121),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img_back, cmap = 'gray') plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.show()
输出
运行上面的 Python 程序后，它将生成以下输出窗口：
更新于：2022年12月2日
4K+ 次浏览
广告