傅里叶变换

最新推荐文章于 2024-09-11 21:04:26 发布

NDNPOMDFLR

最新推荐文章于 2024-09-11 21:04:26 发布

阅读量268

点赞数 1

文章标签： opencv 计算机视觉信号处理

本文链接：https://blog.youkuaiyun.com/lj_FLR/article/details/119242113

版权

傅里叶变换是将信号从时域转换到频域的关键工具，对于理解和处理图像尤其有用。在计算机视觉中，傅里叶变换可以帮助识别图像的高频和低频成分。高频对应图像的边界和细节，而低频则对应较平滑的区域。通过低通滤波器可以实现图像模糊，高通滤波器则能增强图像细节。在OpenCV库中，使用cv2.dft()和cv2.idft()进行傅里叶变换操作，注意需要将图像转换为np.float32格式，并通过shift变换调整结果的位置，最后将结果转换为0-255的图像格式以便显示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

傅里叶变换

我们生活在时间的世界中，早上7:00左右起来吃早饭，8:00去上课或者挤地铁，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！

详细

傅里叶变换的作用

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，会使得图像细节增强
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）。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img = cv2.imread('lena.jpg',0)

img_float32 = np.float32(img)

dft = cv2.dft(img_float32, flags = cv2.DFT_COMPLEX_OUTPUT)
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