OpenCV学习 基础图像操作 (十五):频域变换及相关操作

2024-05-31 20:52

本文主要是介绍OpenCV学习 基础图像操作 (十五):频域变换及相关操作,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

基础原理

图像的频域处理提供了一种强大的工具,用于分析和处理图像的频率成分。傅里叶变换、小波变换和Gabor变换等技术各有优劣,适用于不同的应用场景。通过选择合适的频域算法,可以实现图像的压缩、去噪、特征提取和增强等多种应用。本篇主要针对常见的傅里叶变换和小波变换来进行介绍.

DFT 离散傅里叶变换

离散傅里叶变换(英语:Discrete Fourier Transform,缩写为DFT),是傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DTFT的频域采样。

在形式上,变换两端(时域和频域上)的序列是有限长的,而实际上这两组序列都应当被认为是离散周期信号的主值序列。即使对有限长的离散信号作DFT,也应当将其看作其周期延拓的变换。在实际应用中通常采用快速傅里叶变换计算DFT。

对于N点序列{x[n]}_{0\leq n < N},它的离散傅里叶变换(DFT)为

\widehat{x}[k]=\sum_{n=0}^{N-1}e^{-i\frac{2\pi }{N}nk}x[n] \ \ \ k = 0,1, ...,N-1

其中e是自然对数的底数,i是虚数单位。通常以符号\mathfrak{F}表示这一变换,即

\widehat{x}=\mathfrak{F}x

离散傅里叶变换的逆变换(IDFT)为:

x[k]=\sum_{k=0}^{N-1}e^{i\frac{2\pi }{N}nk}\widehat{x}[n] \ \ \ n = 0,1, ...,N-1

可以记为:

x=\mathfrak{F}^{-1}\widehat{x}

实际上,DFT和IDFT变换式中和式前面的归一化系数并不重要。在上面的定义中,DFT和IDFT前的系数分别为1和\frac{1}{N}。有时会将这两个系数都改成\frac{1}{\sqrt{N}}

从公式来看,离散傅立叶变换是将图像拆分到不同频率的信号上观察,但是只能观察到整幅图像整体在频域的分布,完全丢弃了时域上的信息,则可能比较不直观.

WT 小波变换

小波变换使用一系列的不同尺度的小波去分解原函数,变换后得到的是原函数在不同尺度小波下的系数。不同的小波通过平移与尺度变换分解,平移是为了得到原函数的时间特性,尺度变换是为了得到原函数的频率特性。

小波变换步骤:

  1. 把小波w(t)和原函数f(t)的开始部分进行比较,计算系数C。系数C表示该部分函数与小波的相似程度。
  2. 把小波向右移k单位,得到小波w(t-k),重复1。重复该步骤直至函数f结束.
  3. 扩展小波w(t),得到小波w(t/2),重复步骤1,2.
  4. 不断扩展小波,重复1,2,3.

相比离散傅立叶变换,小波变换是用一个局部的频域响应子来与图像进行卷积,最后得到是在不同局部位置上的对不同频率的响应强度.

API介绍

DFT

将一张图转换到频域内,再分别通过低通滤波和高通滤波,观察到低通滤波后,图像保存了更多的整体轮廓,而高通滤波后,图像保存了更多的边界处的细节.其中靠近图像中央的是低频区,远离中央的是高频区,亮度代表的是幅度,方向代表的是相位.

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像并转换为灰度图像
img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)# 获取图像的行列数
rows, cols = img.shape
nrows = cv2.getOptimalDFTSize(rows)
ncols = cv2.getOptimalDFTSize(cols)
right = ncols - cols
bottom = nrows - rows
padded = cv2.copyMakeBorder(img, 0, bottom, 0, right, cv2.BORDER_CONSTANT, value=0)# 执行傅里叶变换
dft = cv2.dft(np.float32(padded), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)# 计算幅值谱
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))# 创建掩膜,高频保留,低频设置为0
rows, cols = dft_shift.shape[:2]
crow, ccol = rows // 2 , cols // 2
mask = np.ones((rows, cols, 2), np.uint8)
r = 30  # 设置高通滤波器半径
center = [crow, ccol]
x, y = np.ogrid[:rows, :cols]
mask_area = (x - center[0])**2 + (y - center[1])**2 <= r*r
mask[mask_area] = 0# 应用掩膜并进行逆DFT
fshift = dft_shift * mask
f_ishift = np.fft.ifftshift(fshift)
img_back_H = cv2.idft(f_ishift)
img_back_H = cv2.magnitude(img_back_H[:, :, 0], img_back_H[:, :, 1])# 创建掩膜,低频保留,高频设置为0
mask = np.zeros((rows, cols, 2), np.uint8)
mask[mask_area] = 1# 应用掩膜并进行逆DFT
fshift = dft_shift * mask
f_ishift = np.fft.ifftshift(fshift)
img_back_L = cv2.idft(f_ishift)
img_back_L = cv2.magnitude(img_back_L[:, :, 0], img_back_L[:, :, 1])# 显示滤波后的图像
plt.subplot(221), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(img_back_L, cmap='gray')
plt.title('Low Pass Filtered Image'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(img_back_H, cmap='gray')
plt.title('High Pass Filtered Image'), plt.xticks([]), plt.yticks([])
plt.show()

WT

分解过程可描述为:首先对图像的每一行进行 1D-DWT,获得原始图像在水平方向上的低频分量 L 和高频分量 H,然后对变换所得数据的每一列进行 1D-DWT,获得原始图像在水平和垂直方向上的低频分量 LL、水平方向上的低频和垂直方向上的高频 LH、水平方向上的高频和垂直方向上的低频 HL 以及水平和垂直方向上的的高频分量 HH。

import cv2
import pywt
import numpy as np
import matplotlib.pyplot as plt# 读取图像并转换为灰度图像
img = cv2.imread('1.png', cv2.IMREAD_GRAYSCALE)# 选择小波函数
wavelet = 'haar'# 进行二维离散小波变换
coeffs2 = pywt.dwt2(img, wavelet)# 提取系数
LL, (LH, HL, HH) = coeffs2# 显示小波系数图像
plt.figure(figsize=(12, 12))
titles = ['Approximation', 'Horizontal detail', 'Vertical detail', 'Diagonal detail']images = [LL, LH, HL, HH]
for i, (title, image) in enumerate(zip(titles, images)):plt.subplot(2, 2, i + 1)plt.imshow(image, cmap='gray')plt.title(title)plt.axis('off')
plt.show()

参考链接

DFT原理

WT原理

【OpenCV学习笔记】之离散傅里叶变换(DFT)-CSDN博客

【一次讲透小波变换原理,全新角度切入,20分钟时长警告!】

这篇关于OpenCV学习 基础图像操作 (十五):频域变换及相关操作的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1019020

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Java中字符串转时间与时间转字符串的操作详解

《Java中字符串转时间与时间转字符串的操作详解》Java的java.time包提供了强大的日期和时间处理功能,通过DateTimeFormatter可以轻松地在日期时间对象和字符串之间进行转换,下面... 目录一、字符串转时间(一)使用预定义格式(二)自定义格式二、时间转字符串(一)使用预定义格式(二)自

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

Android Mainline基础简介

《AndroidMainline基础简介》AndroidMainline是通过模块化更新Android核心组件的框架,可能提高安全性,本文给大家介绍AndroidMainline基础简介,感兴趣的朋... 目录关键要点什么是 android Mainline?Android Mainline 的工作原理关键

在PyCharm中安装PyTorch、torchvision和OpenCV详解

《在PyCharm中安装PyTorch、torchvision和OpenCV详解》:本文主要介绍在PyCharm中安装PyTorch、torchvision和OpenCV方式,具有很好的参考价值,... 目录PyCharm安装PyTorch、torchvision和OpenCV安装python安装PyTor

Python 中的 with open文件操作的最佳实践

《Python中的withopen文件操作的最佳实践》在Python中,withopen()提供了一个简洁而安全的方式来处理文件操作,它不仅能确保文件在操作完成后自动关闭,还能处理文件操作中的异... 目录什么是 with open()?为什么使用 with open()?使用 with open() 进行

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各