巴特沃斯滤波器

Posted 2023-05-11

参考技术A 不是，巴特沃斯滤波器是一种典型的模拟原型滤波器，可以作为设计其它模拟、数字滤波器的原型。巴特滤波器本身的传递函数，你可以预先通过查表得到各阶的传递函数，但是里面的参数还不能确定，这要综合你所设计的滤波器的技术指标。
打个比方，你设计一个巴特沃斯低通滤波器的话，要有通带截止频率、阻带频率，用这2个指标去确定传递函数的参数，再结合你所设计滤波器的阶次才是完整的确定了参数的传递函数。
当然，上面举的只是一个低通模拟滤波器的设计，其它类型设计，根据不同类型，设计方法有差别。你自己看下资料就是了

OpenCV 完整例程82. 频率域巴特沃斯低通滤波器

【OpenCV 完整例程】82. 频率域巴特沃斯低通滤波器

欢迎关注 『OpenCV 完整例程 100 篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中

3.4 频率域巴特沃斯低通滤波器（BLPF）

截止频率位于距频率中心 $D_0$ 处的 n 阶巴特沃斯（Butterworth）低通滤波器的传递函数为：
$$H(u,v)=\frac{1}{1+[D(u,v)/D_0{]}^{2n}}$$

当 n 较大时，巴特沃斯低通滤波器 BLPF 可以逼近理想低通滤波器 ILPF 的特性；而当 n 较小时，巴特沃斯低通滤波器 BLPF 可以逼近高斯低通滤波器 GLPF 的特性，同时提供从低频到高频的平滑过渡。

巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。

在振幅的对数对角频率的波特图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减小，趋向负无穷大。巴特沃斯滤波器的频率特性曲线，无论在通带内还是阻带内都是频率的单调函数。因此，当通带的边界处满足指标要求时，通带内肯定会有裕量。所以，更有效的设计方法应该是将精确度均匀的分布在整个通带或阻带内，或者同时分布在两者之内。

例程 8.19：频率域巴特沃斯低通滤波器 (BLPF)

# OpenCVdemo08.py
# Demo08 of OpenCV
# 8. 图像的频率域滤波
# Copyright 2021 Youcans, XUPT
# Crated：2021-12-15
   
    # 8.19：频率域巴特沃斯低通滤波器 (BLPF)
    # (1) 读取原始图像
    # imgGray = cv2.imread("../images/imgLena.tif", flags=0)  # flags=0 读取为灰度图像
    imgGray = cv2.imread("../images/Fig0431.tif", flags=0)  # flags=0 读取为灰度图像
    imgFloat32 = np.float32(imgGray)  # 将图像转换成 float32
    rows, cols = imgGray.shape[:2]  # 图片的高度和宽度

    # (2) 中心化, centralized 2d array f(x,y) * (-1)^(x+y)
    mask = np.ones(imgGray.shape)
    mask[1::2, ::2] = -1
    mask[::2, 1::2] = -1
    fImage = imgFloat32 * mask  # f(x,y) * (-1)^(x+y)

    # (3) 快速傅里叶变换
    # dftImage = fft2Image(fImage)  # 快速傅里叶变换 (rPad, cPad, 2)
    rPadded = cv2.getOptimalDFTSize(rows)  # 最优 DFT 扩充尺寸
    cPadded = cv2.getOptimalDFTSize(cols)  # 用于快速傅里叶变换
    dftImage = np.zeros((rPadded, cPadded, 2), np.float32)  # 对原始图像进行边缘扩充
    dftImage[:rows, :cols, 0] = fImage  # 边缘扩充，下侧和右侧补0
    cv2.dft(dftImage, dftImage, cv2.DFT_COMPLEX_OUTPUT)  # 快速傅里叶变换

    dftAmp = cv2.magnitude(dftImage[:,:,0], dftImage[:,:,1])  # 傅里叶变换的幅度谱 (rPad, cPad)
    dftAmpLog = np.log(1.0 + dftAmp)  # 幅度谱对数变换，以便于显示
    dftAmpNorm = np.uint8(cv2.normalize(dftAmpLog, None, 0, 255, cv2.NORM_MINMAX))  # 归一化为 [0,255]
    minValue, maxValue, minLoc, maxLoc = cv2.minMaxLoc(dftAmp)  # 找到傅里叶谱最大值的位置

    plt.figure(figsize=(9, 6))
    # rows, cols = imgGray.shape[:2]  # 图片的高度和宽度
    u, v = np.mgrid[0:rPadded:1, 0:cPadded:1]
    D = np.sqrt(np.power((u-maxLoc[1]), 2) + np.power((v-maxLoc[0]), 2))
    D0 = [20, 40, 80]  # cut-off frequency
    n = 2
    for k in range(3):
        # (4) 构建低通滤波器 传递函数
        # 巴特沃斯低通滤波 (Butterworth low pass filter)
        epsilon = 1e-8  # 防止被 0 除
        lpFilter = 1.0 / (1.0 + np.power(D / (D0[k] + epsilon), 2*n))

        # (5) 在频率域修改傅里叶变换: 傅里叶变换 点乘 低通滤波器
        dftLPfilter = np.zeros(dftImage.shape, dftImage.dtype)  # 快速傅里叶变换的尺寸(优化尺寸)
        for j in range(2):
            dftLPfilter[:rPadded, :cPadded, j] = dftImage[:rPadded, :cPadded, j] * lpFilter

        # (6) 对低通傅里叶变换 执行傅里叶逆变换，并只取实部
        idft = np.zeros(dftAmp.shape, np.float32)  # 快速傅里叶变换的尺寸(优化尺寸)
        cv2.dft(dftLPfilter, idft, cv2.DFT_REAL_OUTPUT + cv2.DFT_INVERSE + cv2.DFT_SCALE)

        # (7) 中心化, centralized 2d array g(x,y) * (-1)^(x+y)
        mask2 = np.ones(dftAmp.shape)
        mask2[1::2, ::2] = -1
        mask2[::2, 1::2] = -1
        idftCen = idft * mask2  # g(x,y) * (-1)^(x+y)

        # (8) 截取左上角，大小和输入图像相等
        result = np.clip(idftCen, 0, 255)  # 截断函数，将数值限制在 [0,255]
        imgBLPF = result.astype(np.uint8)
        imgBLPF = imgBLPF[:rows, :cols]

        plt.subplot(2,3,k+1), plt.title("BLPF mask(D0=)".format(D0[k])), plt.axis('off')
        plt.imshow(lpFilter[:,:], cmap='gray')
        plt.subplot(2,3,k+4), plt.title("BLPF rebuild(D0=)".format(D0[k])), plt.axis('off')
        plt.imshow(imgBLPF, cmap='gray')

    plt.tight_layout()
    plt.show()

（本节完）

---

版权声明：

youcans@xupt 原创作品，转载必须标注原文链接：【OpenCV 完整例程】82. 频率域巴特沃斯低通滤波器

Copyright 2021 youcans, XUPT

Crated：2022-1-25

欢迎关注 『OpenCV 完整例程 100 篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中

【OpenCV 完整例程】01. 图像的读取（cv2.imread）
【OpenCV 完整例程】02. 图像的保存（cv2.imwrite）
【OpenCV 完整例程】03. 图像的显示（cv2.imshow）
【OpenCV 完整例程】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 完整例程】05. 图像的属性（np.shape）
【OpenCV 完整例程】06. 像素的编辑（img.itemset）
【OpenCV 完整例程】07. 图像的创建（np.zeros）
【OpenCV 完整例程】08. 图像的复制（np.copy）
【OpenCV 完整例程】09. 图像的裁剪（cv2.selectROI）
【OpenCV 完整例程】10. 图像的拼接（np.hstack）
【OpenCV 完整例程】11. 图像通道的拆分（cv2.split）
【OpenCV 完整例程】12. 图像通道的合并（cv2.merge）
【OpenCV 完整例程】13. 图像的加法运算（cv2.add）
【OpenCV 完整例程】14. 图像与标量相加（cv2.add）
【OpenCV 完整例程】15. 图像的加权加法（cv2.addWeight）
【OpenCV 完整例程】16. 不同尺寸的图像加法
【OpenCV 完整例程】17. 两张图像的渐变切换
【OpenCV 完整例程】18. 图像的掩模加法
【OpenCV 完整例程】19. 图像的圆形遮罩
【OpenCV 完整例程】20. 图像的按位运算
【OpenCV 完整例程】21. 图像的叠加
【OpenCV 完整例程】22. 图像添加非中文文字
【OpenCV 完整例程】23. 图像添加中文文字
【OpenCV 完整例程】23. 图像添加中文文字
【OpenCV 完整例程】24. 图像的仿射变换
【OpenCV 完整例程】25. 图像的平移
【OpenCV 完整例程】26. 图像的旋转（以原点为中心）
【OpenCV 完整例程】27. 图像的旋转（以任意点为中心）
【OpenCV 完整例程】28. 图像的旋转（直角旋转）
【OpenCV 完整例程】29. 图像的翻转（cv2.flip）
【OpenCV 完整例程】30. 图像的缩放（cv2.resize）
【OpenCV 完整例程】31. 图像金字塔（cv2.pyrDown）
【OpenCV 完整例程】32. 图像的扭变（错切）
【OpenCV 完整例程】33. 图像的复合变换
【OpenCV 完整例程】34. 图像的投影变换
【OpenCV 完整例程】35. 图像的投影变换（边界填充）
【OpenCV 完整例程】36. 直角坐标与极坐标的转换
【OpenCV 完整例程】37. 图像的灰度化处理和二值化处理
【OpenCV 完整例程】38. 图像的反色变换（图像反转）
【OpenCV 完整例程】39. 图像灰度的线性变换
【OpenCV 完整例程】40. 图像分段线性灰度变换
【OpenCV 完整例程】41. 图像的灰度变换（灰度级分层）
【OpenCV 完整例程】42. 图像的灰度变换（比特平面分层）
【OpenCV 完整例程】43. 图像的灰度变换（对数变换）
【OpenCV 完整例程】44. 图像的灰度变换（伽马变换）
【OpenCV 完整例程】45. 图像的灰度直方图
【OpenCV 完整例程】46. 直方图均衡化
【OpenCV 完整例程】47. 图像增强—直方图匹配
【OpenCV 完整例程】48. 图像增强—彩色直方图匹配
【OpenCV 完整例程】49. 图像增强—局部直方图处理
【OpenCV 完整例程】50. 图像增强—直方图统计量图像增强
【OpenCV 完整例程】51. 图像增强—直方图反向追踪
【OpenCV 完整例程】52. 图像的相关与卷积运算
【OpenCV 完整例程】53. Scipy 实现图像二维卷积
【OpenCV 完整例程】54. OpenCV 实现图像二维卷积
【OpenCV 完整例程】55. 可分离卷积核
【OpenCV 完整例程】56. 低通盒式滤波器
【OpenCV 完整例程】57. 低通高斯滤波器
【OpenCV 完整例程】58. 非线性滤波—中值滤波
【OpenCV 完整例程】59. 非线性滤波—双边滤波
【OpenCV 完整例程】60. 非线性滤波—联合双边滤波
【OpenCV 完整例程】61. 导向滤波（Guided filter）
【OpenCV 完整例程】62. 图像锐化——钝化掩蔽
【OpenCV 完整例程】63. 图像锐化——Laplacian 算子
【OpenCV 完整例程】64. 图像锐化——Sobel 算子
【OpenCV 完整例程】65. 图像锐化——Scharr 算子
【OpenCV 完整例程】66. 图像滤波之低通/高通/带阻/带通
【OpenCV 完整例程】67. 空间域图像增强的综合应用
【OpenCV 完整例程】68. 空间域图像增强的综合应用
【OpenCV 完整例程】69. 连续非周期信号的傅立叶系数
【OpenCV 完整例程】70. 一维连续函数的傅里叶变换
【OpenCV 完整例程】71. 连续函数的取样
【OpenCV 完整例程】72. 一维离散傅里叶变换
【OpenCV 完整例程】73. 二维连续傅里叶变换
【OpenCV 完整例程】74. 图像的抗混叠
【OpenCV 完整例程】75. Numpy 实现图像傅里叶变换
【OpenCV 完整例程】76. OpenCV 实现图像傅里叶变换
【OpenCV 完整例程】77. OpenCV 实现快速傅里叶变换
【OpenCV 完整例程】78. 频率域图像滤波基础
【OpenCV 完整例程】79. 频率域图像滤波的基本步骤
【OpenCV 完整例程】80. 频率域图像滤波详细步骤
【OpenCV 完整例程】81. 频率域高斯低通滤波器
【OpenCV 完整例程】82. 频率域巴特沃斯低通滤波器