计算机视觉（五） -- 图片FFT

最新推荐文章于 2024-01-03 12:27:52 发布

Robin_shie

最新推荐文章于 2024-01-03 12:27:52 发布

阅读量1.8k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： cv 文章标签： Python cv ai 计算机图形

本文链接：https://blog.youkuaiyun.com/u010676526/article/details/80096296

cv 专栏收录该内容

12 篇文章

订阅专栏

本文介绍如何使用快速傅立叶变换（FFT）处理图像，并通过示例代码展示了如何识别图像中的边界。通过对图像进行频率变换，我们可以区分图像的高频和低频部分，进而找到图像中的边界。

FFT（Fast Fourier Transformation）是离散傅氏变换（DFT）的快速算法。即为快速傅氏变换。它是根据离散傅氏变换的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。

我们使用FFT 对图像的高频和低频信号处理，可以找出信号在哪个方向变化快。在变化快方向就有可能存在边界。

import numpy as np
import matplotlib.pyplot as plt
import cv2
image = cv2.imread("./imgs/1.jpg")
image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
f = np.fft.fft2(image/255.0)#use 2 dim fft
f_shift = np.fft.fftshift(f)
'''
#Shift the zero-frequency component to the center of the spectrum.
>>> freqs = np.fft.fftfreq(9, d=1./9).reshape(3, 3)
>>> freqs
array([[ 0.,  1.,  2.],
       [ 3.,  4., -4.],
       [-3., -2., -1.]])
>>> np.fft.fftshift(freqs, axes=(1,))
array([[ 2.,  0.,  1.],
       [-4.,  3.,  4.],
       [-1., -3., -2.]])
'''
frequency_tx = 60*np.log(np.abs(f_shift))
f,(a1,a2) = plt.subplots(1,2,figsize=(200,200))
a1.set_title("original image")
a1.imshow(image,cmap='gray')
a2.set_title("requency transform image")
a2.imshow(frequency_tx,cmap='gray')
plt.show()