在学习B站教学视频的时候记录的笔记
OpenCV+TensorFlow】迪哥带你做项目！深度学习+计算机视觉实战 纯实战教学 技能点加满
8.1 傅立叶变换
我们生活在时间的世界中，早上7点起床吃饭，8点去挤地铁，9点开始上班。。。以时间为参照就是时域分析。
但是在频域中一切都是静止的！附上一篇讲述很头侧的文章。
傅里叶分析之掐死教程（完整版）更新于2014.06.06 - 知乎
傅立叶变换的作用
-
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
滤波
-
低通滤波器：只保留低频，会使得图像模糊
-
高通滤波器：只保留高频，会杀跌图像细节增强
-
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，通常会转换到中心位置，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)
img = cv2.imread('H:Peronallena.jpg',0)
# 转换成float32格式
img_float32 = np.float32(img)
# 执行傅立叶变换
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
# 使用np将低频（左上角）转换到中心位置
dft_shift = np.fft.fftshift(dft)
# 得到灰度图能表示的形式
magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))
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 image'),plt.xticks([]),plt.yticks([])
plt.show()
右侧图像为傅立叶转化后的结果，中心的点比较亮，是因为频率较高。
img = cv2.imread('H:Peronallena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
#低通滤波
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 = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0],img_back[:,:,1])
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('Result'),plt.xticks([]),plt.yticks([])
plt.show()
高通滤波
img = cv2.imread('H:Peronallena.jpg',0)
img_float32 = np.float32(img)
dft = cv2.dft(img_float32,flags = cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows,cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
#高通滤波
mask = np.ones((rows,cols,2),np.uint8)
mask[crow-30:crow+30,ccol-30:ccol+30] = 0
#IDFT
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])
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('Result'),plt.xticks([]),plt.yticks([])
plt.show()
只保留下边界信息，内部的细节都消失了。
注意：
图像在频域中处理效率很高。
