图片处理-opencv-12.图像傅里叶变换

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图片处理-opencv-12.图像傅里叶变换相关的知识,希望对你有一定的参考价值。

参考技术A

傅里叶变换(Fourier Transform,简称FT)常用于数字信号处理,它的目的是将时间域上的信号转变为频率域上的信号。随着域的不同,对同一个事物的了解角度也随之改变,因此在时域中某些不好处理的地方,在频域就可以较为简单的处理。同时,可以从频域里发现一些原先不易察觉的特征。傅里叶定理指出“任何连续周期信号都可以表示成(或者无限逼近)一系列正弦信号的叠加。”

傅里叶变换可以应用于图像处理中,经过对图像进行变换得到其频谱图。从谱频图里频率高低来表征图像中灰度变化剧烈程度。图像中的边缘信号和噪声信号往往是高频信号,而图像变化频繁的图像轮廓及背景等信号往往是低频信号。这时可以有针对性的对图像进行相关操作,例如图像除噪、图像增强和锐化等。

Numpy中的fft模块,相关函数如下:

Numpy中的 FFT包提供了函数 np.fft.fft2()可以对信号进行快速傅里叶变换,其函数原型如下所示,该输出结果是一个复数数组(Complex Ndarry)。

fft2(a, s=None, axes=(-2, -1), norm=None)

频率分布图谱,其中越靠近中心位置频率越低,越亮(灰度值越高)的位置代表该频率的信号振幅越大

傅里叶逆变换,是傅里叶变换的逆操作,将频谱图像转换为原始图像的过程。通过傅里叶变换将转换为频谱图,并对高频(边界)和低频(细节)部分进行处理,接着需要通过傅里叶逆变换恢复为原始效果图。频域上对图像的处理会反映在逆变换图像上,从而更好地进行图像处理。

图像逆傅里叶变换主要使用的函数如下所示:

OpenCV 中相应的函数是cv2.dft()和用Numpy输出的结果一样,但是是双通道的。第一个通道是结果的实数部分,第二个通道是结果的虚数部分,并且输入图像要首先转换成 np.float32 格式。其函数原型如下所示:

dst = cv2.dft(src, dst=None, flags=None, nonzeroRows=None)

由于输出的频谱结果是一个复数,需要调用cv2.magnitude()函数将傅里叶变换的双通道结果转换为0到255的范围。其函数原型如下:

cv2.magnitude(x, y)

OpenCV 中,通过函数cv2.idft()实现傅里叶逆变换,其返回结果取决于原始图像的类型和大小,原始图像可以为实数或复数。其函数原型如下所示:

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

傅里叶变换的目的并不是为了观察图像的频率分布(至少不是最终目的),更多情况下是为了对频率进行过滤,通过修改频率以达到图像增强、图像去噪、边缘检测、特征提取、压缩加密等目的。

过滤的方法一般有三种:低通(Low-pass)、高通(High-pass)、带通(Band-pass)。

高通滤波器是指通过高频的滤波器,衰减低频而通过高频,常用于增强尖锐的细节,但会导致图像的对比度会降低。该滤波器将检测图像的某个区域,根据像素与周围像素的差值来提升像素的亮度。

低通滤波器是指通过低频的滤波器,衰减高频而通过低频,常用于模糊图像。低通滤波器与高通滤波器相反,当一个像素与周围像素的插值小于一个特定值时,平滑该像素的亮度,常用于去燥和模糊化处理。

OpenCV 完整例程76. OpenCV 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

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

2.3 二维离散傅里叶变换(DFT)

对于二维图像处理,通常使用 x , y x, y x,y 表示离散的空间域坐标变量,用 u , v u,v u,v 表示离散的频率域变量。二维离散傅里叶变换(DFT)和反变换(IDFT)为:

F ( u , v ) = ∑ x = 0 M − 1 ∑ y = 0 N − 1 f ( x , y ) e − j 2 π ( u x / M + v y / N ) f ( x , y ) = 1 M N ∑ u = 0 M − 1 ∑ v = 0 N − 1 F ( u , v ) e j 2 π ( u x / M + v y / N ) \\beginaligned F(u,v) &= \\sum_x=0^M-1 \\sum_y=0^N-1 f(x,y) e^-j 2\\pi (ux/M+vy/N)\\\\ f(x,y) &= \\frac1MN \\sum_u=0^M-1 \\sum_v=0^N-1 F(u,v) e^j 2\\pi (ux/M+vy/N) \\endaligned F(u,v)f(x,y)=x=0M1y=0N1f(x,y)ej2π(ux/M+vy/N)=MN1u=0M1v=0N1F(u,v)ej2π(ux/M+vy/N)
二维离散傅里叶变换也可以用极坐标表示:
F ( u , v ) = R ( u , v ) + j I ( u , v ) = ∣ F ( u , v ) ∣ e j ϕ ( u , v ) F(u,v) = R(u,v) + j I(u,v) = |F(u,v)| e^j \\phi (u,v) F(u,v)=R(u,v)+jI(u,v)=F(u,v)ejϕ(u,v)
傅里叶频谱(Fourier spectrum)为:
∣ F ( u , v ) ∣ = [ R 2 ( u , v ) + I 2 ( u , v ) ] 1 / 2 |F(u,v)| = [R^2(u,v) + I^2(u,v)]^1/2 F(u,v)=[R2(u,v)+I2(u,v)]1/2
傅里叶相位谱(Fourier phase spectrum)为:
ϕ ( u , v ) = a r c t a n [ I ( u , v ) / R ( u , v ) ] \\phi (u,v) = arctan[I(u,v)/R(u,v)] ϕ(u,v)=arctan[I(u,v)/R(u,v)]
傅里叶功率谱(Fourier power spectrum)为:
P ( u , v ) = ∣ F ( u , v ) ∣ 2 = R 2 ( u , v ) + I 2 ( u , v ) P(u,v) = |F(u,v)|^2 = R^2(u,v) + I^2(u,v) P(u,v)=F(u,v)2=R2(u,v)+I2(u,v)

空间取样和频率间隔是相互对应的,频率域所对应的离散变量间的间隔为: Δ u = 1 / M Δ T , Δ v = 1 / N Δ Z \\Delta u = 1/M \\Delta T,\\Delta v = 1/N \\Delta Z Δu=1/MΔTΔv=1/NΔZ。即:频域中样本之间的间隔,与空间样本之间的间隔及样本数量的乘积成反比。

空间域滤波器和频率域滤波器也是相互对应的,二维卷积定理是在空间域和频率域滤波之间建立等价关系的纽带:
( f ⋆ h ) ( x , y ) ⇔ ( F ⋅ H ) ( u , v ) (f \\star h)(x,y) \\Leftrightarrow (F \\cdot H)(u,v) (fh)(x,y)(FH)(u,v)
这表明 F 和 H 分别是 f 和 h 的傅里叶变换;f 和 h 的空间卷积的傅里叶变换,是它们的变换的乘积。


2.5 OpenCV 实现图像傅里叶变换(cv.dft)

使用 OpenCV 中的 cv.dft() 函数也可以实现图像的傅里叶变换,cv.idft() 函数实现图像傅里叶逆变换。

函数说明:

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

参数说明:

  • src:输入图像,单通道灰度图像,使用 np.float32 格式
  • dst:输出图像,图像大小与 src 相同,数据类型由 flag 决定
  • flag:转换标识符
    • cv.DFT_INVERSE:用一维或二维逆变换取代默认的正向变换
    • cv.DFT_SCALE:缩放比例标识,根据元素数量求出缩放结果,常与DFT_INVERSE搭配使用
    • cv.DFT_ROWS: 对输入矩阵的每行进行正向或反向的傅里叶变换,常用于三维或高维变换等复杂操作
    • cv.DFT_COMPLEX_OUTPUT:对一维或二维实数数组进行正向变换,默认方法,结果是由 2个通道表示的复数阵列,第一通道是实数部分,第二通道是虚数部分
    • cv.DFT_REAL_OUTPUT:对一维或二维复数数组进行逆变换,结果通常是一个尺寸相同的复数矩阵

注意事项:

  1. 输入图像 src 是 np.float32 格式,如图像使用 np.uint8 格式则必须先转换 np.float32 格式。
  2. 默认方法 cv.DFT_COMPLEX_OUTPUT 时,输入 src 是 np.float32 格式的单通道二维数组,输出 dst 是 2个通道的二维数组,第一通道 dft[:,:,0] 是实数部分,第二通道 dft[:,:,1] 是虚数部分。
  3. 不能直接用于显示图像。可以使用 cv.magnitude() 函数将傅里叶变换的结果转换到灰度 [0,255]。
  4. idft(src, dst, flags) 等价于 dft(src, dst, flags=DFT_INVERSE)。
  5. OpenCV 实现傅里叶变换,计算速度比 Numpy 更快。

转换标识符为 cv.DFT_COMPLEX_OUTPUT 时,cv.dft() 函数的输出是 2个通道的二维数组,使用 cv.magnitude() 函数可以实现计算二维矢量的幅值 。

函数说明:

	cv.magnitude(x, y[, magnitude]) → dst

参数说明:

  • x:一维或多维数组,也表示复数的实部,浮点型
  • y:一维或多维数组,也表示复数的虚部,浮点型,数组大小必须与 x 相同
  • dst:输出数组,数组大小和数据类型与 x 相同,运算公式为:

d s t ( I ) = x ( I ) 2 + y ( I ) 2 dst(I) = \\sqrtx(I)^2 + y(I)^2 dst(I)=x(I)2+y(I)2

傅里叶变换及相关操作的取值范围可能不适于图像显示,需要进行归一化处理。 OpenCV 中的 cv.normalize() 函数可以实现图像的归一化。

函数说明:

	cv.normalize(src, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]) → dst

参数说明:

  • src:输入图像
  • dst:输出结果,与输入图像同尺寸同类型
  • alpha:归一化后的最小值,可选项,默认值为0
  • beta:归一化后的最大值,可选项,默认值为1
  • norm_type:归一化类型
    • NORM_INF:Linf 范数(绝对值的最大值)
    • NORM_L1:L1 范数(绝对值的和)
    • NORM_L2:L2 范数(欧几里德距离),默认类型
    • NORM_MINMAX:线性缩放,常用类型
  • dtype:可选项,默认值 -1,表示输出矩阵与输入图像类型相同
  • mask:掩模遮罩,可选项,默认无遮罩

傅里叶变换在理论上需要 O ( M N ) 2 O(MN)^2 O(MN)2 次运算,非常耗时;快速傅里叶变换只需要 O ( M N l o g ( M N ) ) O(MN log (MN)) O(MNlog(MN)) 次运算就可以完成。

OpenCV 中的傅里叶变换函数 cv.dft() 对于行数和列数都可以分解为 2 p ∗ 3 q ∗ 5 r 2^p * 3^q * 5^r 2p3q5r 的矩阵的计算性能最好。为了提高运算性能,可以对原矩阵的右侧和下方补 0,以满足该分解条件。OpenCV 中的 cv.getOptimalDFTSize() 函数可以实现图像的最优 DFT 尺寸扩充,适用于 cv.dft() 和 np.fft.fft2()。

函数说明:

	cv.getOptimalDFTSize(versize) → retval

参数说明:

  • versize:数组大小
  • retval:DFT 扩充的最优数组大小

例程 8.11:二维图像的离散傅里叶变换(OpenCV)

    # 8.11:OpenCV 实现二维图像的离散傅里叶变换
    imgGray = cv2.imread("../images/Fig0424a.tif", flags=0)  # flags=0 读取为灰度图像

    # cv2.dft 实现图像的傅里叶变换
    imgFloat32 = np.float32(imgGray)  # 将图像转换成 float32
    dft = cv2.dft(imgFloat32, flags=cv2.DFT_COMPLEX_OUTPUT)  # 傅里叶变换
    dftShift = np.fft.fftshift(dft)  # 将低频分量移动到频域图像的中心

    # 幅度谱
    # ampSpe = np.sqrt(np.power(dft[:,:,0], 2) + np.power(dftShift[:,:,1], 2))
    dftAmp = cv2.magnitude(dft[:,:,0], dft[:,:,1])  # 幅度谱,未中心化
    dftShiftAmp = cv2.magnitude(dftShift[:,:,0], dftShift[:,:,1])  # 幅度谱,中心化
    dftAmpLog = np.log(1 + dftShiftAmp)  # 幅度谱对数变换,以便于显示
    # 相位谱
    phase = np.arctan2(dftShift[:,:,1], dftShift[:,:,0])  # 计算相位角(弧度制)
    dftPhi = phase / np.pi*180  # 将相位角转换为 [-180, 180]

    print("dftMag max=, min=".format(dftAmp.max(), dftAmp.min()))
    print("dftPhi max=, min=".format(dftPhi.max(), dftPhi.min()))
    print("dftAmpLog max=, min=".format(dftAmpLog.max(), dftAmpLog.min()))

    # cv2.idft 实现图像的逆傅里叶变换
    invShift = np.fft.ifftshift(dftShift)  # 将低频逆转换回图像四角
    imgIdft = cv2.idft(invShift)  # 逆傅里叶变换
    imgRebuild = cv2.magnitude(imgIdft[:,:,0], imgIdft[:,:,1])  # 重建图像

    plt.figure(figsize=(9, 6))
    plt.subplot(231), plt.title("Original image"), plt.axis('off')
    plt.imshow(imgGray, cmap='gray')
    plt.subplot(232), plt.title("DFT Phase"), plt.axis('off')
    plt.imshow(dftPhi, cmap='gray')
    plt.subplot(233), plt.title("Rebuild image with IDFT"), plt.axis('off')
    pltOpenCV中的图像处理 —— 傅里叶变换+模板匹配

Opencv 基于傅里叶变换的图片滤波处理

Opencv 基于傅里叶变换的图片滤波处理

图像处理之图像傅里叶变换

Python图像处理采样卷积与离散傅里叶变换

计算机视觉 图像的傅里叶变换