Python——OpenCV库的学习（十四）：傅里叶变换

笔记和用法都在代码注释中：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

# ·高频:变化剧烈的灰度分量，例如边界
# ·低频:变化缓慢的灰度分量，例如一片大海
#
# .opencv中主要就是cv2.dft()和cv2.idft()，输入图像需要先转换成np.float32格式。
# ·得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。
# .cv2.dft()返回的结果是双通道的(实部，虚部)，通常还需要转换成图像格式才能展示(0.255)。

# -------------------------------------傅里叶基本转换体验：
# img = cv.imread(666.jpg,0)
# img = np.float32(img)          #官方要求！！！
#
# dft = cv.dft(img,flags= cv.DFT_COMPLEX_OUTPUT)   #傅里叶变换！！！
# dft_shift = np.fft.fftshift(dft)                 # 将低频转换
#
# magnitude_spectrum = 20*np.log(cv.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))  #对两个通道进行转换！！！
# #原图
# plt.subplot(121),plt.imshow(img,cmap=gray)
# plt.title(img),plt.xticks([]),plt.yticks([])
# #计算图像：中间为低频的那种！！！白色的那种
# plt.subplot(122),plt.imshow(magnitude_spectrum,cmap = gray)
# plt.title(img2),plt.xticks([]),plt.yticks([])
# plt.show()

#------------------------低频转换：   (会让图像变模糊！！！) #低频会保留图像中间的信息，边缘的去掉，就类似马赛克的那种！！！
# img = cv.imread(666.jpg,0)
# img = cv.resize(img,(500,500))
# img = np.float32(img)          #官方要求！！！
#
# dft = cv.dft(img,flags= cv.DFT_COMPLEX_OUTPUT)   #傅里叶变换！！！
# dft_shift = np.fft.fftshift(dft)                 # 将低频转换
#
# rows, cols = img.shape                        #得到图像的h和w
# crow, ccol = int(rows/2),int(cols/2)          #计算图像的位置！！！，  方便后面来设置掩码的大小！！！
#
# #低通滤波设置：   （因为你要设置具体的大小：保留多少的那种，就相当于设置掩码的大小了！！！）
# mask = np.zeros((rows,cols,2),np.uint8)
# mask[crow-30:crow+30,ccol-30:ccol+30] = 1
#
# #IDFT
# fshift = dft_shift*mask
# f_ishift = np.fft.ifftshift(fshift)
# img_back = cv.idft(f_ishift)
# img_back = cv.magnitude(img_back[:,:,0],img_back[:,:,1])
#
# plt.subplot(121),plt.imshow(img,cmap=gray)
# plt.title(img),plt.xticks([]),plt.yticks([])
# plt.subplot(122),plt.imshow(img_back,cmap=gray)
# plt.title(Result),plt.xticks([]),plt.yticks([])
# plt.show()

#------------------------高频转换：   (会描绘出图像的轮廓！！！) #高频会保留图像边缘的东西，所以图像就会勾勒出轮廓！！！！
img = cv.imread(666.jpg,0)
img = cv.resize(img,(500,500))
img = np.float32(img)          #官方要求！！！

dft = cv.dft(img,flags= cv.DFT_COMPLEX_OUTPUT)   #傅里叶变换！！！
dft_shift = np.fft.fftshift(dft)

rows, cols = img.shape                  #得到图像的h和w
crow, ccol = int(rows/2),int(cols/2)   #计算图像的位置！！！，  方便后面来设置掩码的大小！！！

#高通滤波设置：   （因为你要设置具体的大小：保留多少的那种，就相当于设置掩码的大小了！！！）
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 0

#IDFT
fshift = dft_shift*mask                                     #进行逆傅里叶转换
f_ishift = np.fft.ifftshift(fshift)                    #因为我们之前做了一个dft     #idft就是一个逆变换！！！
img_back = cv.idft(f_ishift)
img_back = cv.magnitude(img_back[:,:,0],img_back[:,:,1])

plt.subplot(121),plt.imshow(img,cmap=gray)
plt.title(img),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(img_back,cmap=gray)
plt.title(Result),plt.xticks([]),plt.yticks([])
plt.show()

#  作用： 在原始图像中，对图像操作比较麻烦

#所以：我们用傅里叶处理： 简单高效！！！ 容易简单！！！ （层次分明！！）