11. OpenCV图像转换-傅里叶变换_opencv 傅里叶变换-CSDN博客

本文链接：https://blog.csdn.net/qq_58801558/article/details/130208574

文章介绍了傅里叶变换的概念，用于将信号从时域转换到频域分析。在图像处理中，使用numpy的fft2和ifft2函数进行2D离散傅里叶变换和逆变换。实验代码展示了如何应用这些函数对图像进行傅里叶变换，并通过OpenCV的dft和idft进行滤波操作，包括低通和高通滤波效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像傅里叶变换

- 傅里叶变换
- - 1. numpy中的图像傅里叶变换
  - 2. OpenCV傅里叶变换

傅里叶变换

傅里叶变换（Fourier Transform）：通过数学的方法反向分解复杂的信号，使之成为一个个简单的正弦信号。傅里叶变换不再以时域去看待事物，而是以频域去研究事物
分类：连续傅里叶变换和离散傅里叶变换
图像处理：2D离散傅里叶变换（DFT）

➤时域（时间域）🢂自变量是时间,即横轴是时间,纵轴是信号的变化（频域是时域在另一维度的映射）
➤频域（频率域）🢂变量是频率,即横轴是频率,纵轴是该频率信号的幅度,（在同一时间下记录每个简单正弦信号的相位和频率，从而形成复杂信号）
1. 正弦波是频域唯一存在的波形（即正弦波是对频域的描述），任何波形都能够用正弦波的组合完全且唯一的描述
2. 频域是时域在另一维度的映射，时域和频域就是信号的两种表现方式

时域和频域（图片来源，如有侵权，联系删除）
时域和频域的详细介绍

1. numpy中的图像傅里叶变换

二维傅里叶频率转换：np.fft.fft2()
结果偏移：np.fft.fftshift()
二维傅里叶逆变换(将图像还原)：np.fft.ifft2()

傅里叶变换
np.fft.fft2(a, s=None, axes=(-2, -1), norm=None)
傅里叶逆变换
np.fft.ifft2(a, s=None, axes=(-2, -1), norm=None)

参数	含义	作用
a	数组	图像转换时（直接输入灰度图像）
s	整数序列	输出图片（数组）的形状 (s[0] x轴， s[1] y轴）的数值
axes	计算FFT的轴	一个元素序列意味着执行一维FFT
norm	规范化模式（转换方向）	“backward”,“ortho” or “forward”(“向后”，“正交”，“向前”)

np.fft.fftshift(x, axes=None)

参数	含义
x	输入数组（图像处理时为经过傅里叶转换的频域幅度图数组）
axes	计算的轴（int或者shape元组）

实验代码

# 使用numpy进行图像的傅里叶变换
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

img = cv.imread('../picture/14.jpg', 0)
print(img.shape)

# 进行傅里叶变换（返回值：复数数组）
ff = np.fft.fft2(img)
# 将低频部分移到图像中央，便于观察
fshift = np.fft.fftshift(ff)
# 转换为（0-255）的图像值
img_fft = 20*np.log(np.abs(fshift))

# 傅里叶逆变换(将图像还原)
iff = np.fft.ifft2(fshift)
img_ifft = np.abs(iff)

plt.figure(figsize=(15,8), dpi=100)
plt.subplot(131),plt.imshow(img, cmap = 'gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(img_fft, cmap = 'gray')
plt.title('Fourier'), plt.xticks([]), plt.yticks([])
plt.subplot(133),plt.imshow(img_ifft, cmap = 'gray')
plt.title('i_Fourier'), plt.xticks([]), plt.yticks([])
plt.show()

运行结果

在这里插入图片描述

2. OpenCV傅里叶变换

在原图中进行（低频，高频）滤波不易操作，通过傅里叶变换映射到频谱中之后更易于对图像的操作（提高速度和效率）
傅里叶变换的作用：图像的傅里叶降噪、JPEG图像压缩技术、模式识别等
高频：变化剧烈的灰度分量（边界轮廓线）
低频：变化缓慢的灰度分量（不易区分且较为相近的区域）

cv2.dft(src[, dst[, flags[, nonzeroRows]]])
cv2.idft(src[, dst[, flags[, nonzeroRows]]])

参数	含义
src	输入图片（数组）
dst	输出结果（可选）
flags	转换标志

flags
- DFT_COMPLEX_OUTPUT：得到一个复数形式的矩阵；
- DFT_REAL_OUTPUT：只输出复数的实部；
- DFT_INVERSE：进行傅里叶逆变换；
- DFT_SCALE：是否除以 MxN （M 行 N 列的图片，共有有 MxN 个像素点）；
- DFT_ROWS：输入矩阵的每一行进行傅里叶变换或者逆变换。

cv2.magnitude(x, y[, magnitude])

傅里叶变换的双通道结果转换为 0 到 255 的范围

参数	含义
x	浮点型 X 坐标值，实部
y	浮点型 Y 坐标值，虚部

实验代码

# OpenCV中的图像傅里叶变换
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('../picture/14.jpg',0)
print("图像数据类型：", img.dtype)

# 需要现将图片转换为float32
img_float32 = np.float32(img)
print("转换后数据类型：", img_float32.dtype)

# 进行傅里叶变换
dft = cv.dft(img_float32, flags = cv.DFT_COMPLEX_OUTPUT)
# 将低频部分移到中央
dft_shift = np.fft.fftshift(dft)
# 转换为图像数据类型（0-255）
img_log = 20*np.log(cv.magnitude(dft_shift[:, :, 0],dft_shift[:, :, 1]))

rows, cols = img.shape
# 中心位置
rows_half, cols_half = int(rows/2), int(cols/2)

"""
低通滤波处理
"""
# 低频掩膜生成(低通滤波)
mask_bom = np.zeros((rows, cols ,2), dtype= np.uint8)
mask_bom[rows_half - 30:rows_half + 30,cols_half - 30:cols_half + 30] = 1
# 进行滤波处理
fshift_bom = dft_shift * mask_bom
# 傅里叶逆变换
iimg = cv.idft(np.fft.ifftshift(fshift_bom))
iimg = cv.magnitude(iimg[:, :, 0], iimg[:, :, 1])

"""
高通滤波处理
"""
# 高通掩膜生产
mask_top = np.ones((rows, cols, 2), np.uint8)
mask_top[rows_half - 30:rows_half + 30, cols_half - 30:cols_half + 30] = 0

fshift_top = dft_shift * mask_top
img_back = cv.idft(np.fft.ifftshift(fshift_top))
img_back = cv.magnitude(img_back[:, :, 0],img_back[:, :, 1])

plt.figure(figsize = ( 10, 8), dpi = 100)
plt.subplot(221), plt.imshow(img, cmap= 'gray')
plt.title('Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(img_log, cmap= 'gray')
plt.title('Magnitude'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(iimg, cmap= 'gray')
plt.title('Magni'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(img_back, cmap= 'gray')
plt.title('Back'), plt.xticks([]), plt.yticks([])
plt.show()