Python?OpenCV如何實現圖像傅里葉變換

這篇文章給大家分享的是有關Python OpenCV如何實現圖像傅里葉變換的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

二維離散傅里葉變換（DFT）

對于二維圖像處理，通常使用 x , y x, yx,y 表示離散的空間域坐標變量，用 u , v u,vu,v 表示離散的頻率域變量。二維離散傅里葉變換（DFT）和反變換（IDFT）為：

二維離散傅里葉變換也可以用極坐標表示：

傅里葉頻譜（Fourier spectrum）為：

傅里葉相位譜（Fourier phase spectrum）為：

傅里葉功率譜（Fourier power spectrum）為：

空間取樣和頻率間隔是相互對應的，頻率域所對應的離散變量間的間隔為：Δu=1/MΔT, Δυ=1/NΔZ。即：頻域中樣本之間的間隔，與空間樣本之間的間隔及樣本數量的乘積成反比。

空間域濾波器和頻率域濾波器也是相互對應的，二維卷積定理是在空間域和頻率域濾波之間建立等價關系的紐帶：

這表明 F 和 H 分別是 f 和 h 的傅里葉變換；f 和 h 的空間卷積的傅里葉變換，是它們的變換的乘積。

OpenCV 實現圖像傅里葉變換（cv.dft）

使用 OpenCV 中的 cv.dft() 函數也可以實現圖像的傅里葉變換，cv.idft() 函數實現圖像傅里葉逆變換。

函數說明：

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

參數說明：

src：輸入圖像，單通道灰度圖像，使用 np.float32 格式

dst：輸出圖像，圖像大小與 src 相同，數據類型由 flag 決定

flag：轉換標識符

cv.DFT_INVERSE：用一維或二維逆變換取代默認的正向變換

cv.DFT_SCALE：縮放比例標識，根據元素數量求出縮放結果，常與DFT_INVERSE搭配使用

cv.DFT_ROWS: 對輸入矩陣的每行進行正向或反向的傅里葉變換，常用于三維或高維變換等復雜操作

cv.DFT_COMPLEX_OUTPUT：對一維或二維實數數組進行正向變換，默認方法，結果是由 2個通道表示的復數陣列，第一通道是實數部分，第二通道是虛數部分

cv.DFT_REAL_OUTPUT：對一維或二維復數數組進行逆變換，結果通常是一個尺寸相同的復數矩陣

注意事項：

1.輸入圖像 src 是 np.float32 格式，如圖像使用 np.uint8 格式則必須先轉換 np.float32 格式。

2.默認方法 cv.DFT_COMPLEX_OUTPUT 時，輸入 src 是 np.float32 格式的單通道二維數組，輸出 dst 是 2個通道的二維數組，第一通道 dft[:,:,0] 是實數部分，第二通道 dft[:,:,1] 是虛數部分。

3.不能直接用于顯示圖像?？梢允褂?cv.magnitude() 函數將傅里葉變換的結果轉換到灰度 [0,255]。

4.idft(src, dst, flags) 等價于 dft(src, dst, flags=DFT_INVERSE)。

5.OpenCV 實現傅里葉變換，計算速度比 Numpy 更快。

轉換標識符為 cv.DFT_COMPLEX_OUTPUT 時，cv.dft() 函數的輸出是 2個通道的二維數組，使用 cv.magnitude() 函數可以實現計算二維矢量的幅值 。

函數說明：

cv.magnitude(x, y[, magnitude]) → dst

參數說明：

x：一維或多維數組，也表示復數的實部，浮點型

y：一維或多維數組，也表示復數的虛部，浮點型，數組大小必須與 x 相同

dst：輸出數組，數組大小和數據類型與 x 相同，運算公式為：

傅里葉變換及相關操作的取值范圍可能不適于圖像顯示，需要進行歸一化處理。 OpenCV 中的 cv.normalize() 函數可以實現圖像的歸一化。

函數說明：

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

參數說明：

src：輸入圖像

dst：輸出結果，與輸入圖像同尺寸同類型

alpha：歸一化后的最小值，可選項，默認值為0

beta：歸一化后的最大值，可選項，默認值為1

norm_type：歸一化類型

• NORM_INF：Linf 范數（絕對值的最大值）

• NORM_L1：L1 范數（絕對值的和）

• NORM_L2：L2 范數（歐幾里德距離），默認類型

• NORM_MINMAX：線性縮放，常用類型

dtype：可選項，默認值 -1，表示輸出矩陣與輸入圖像類型相同

mask：掩模遮罩，可選項，默認無遮罩

傅里葉變換在理論上需要O(MN)²次運算，非常耗時；快速傅里葉變換只需要O(MN㏒(MN)) 次運算就可以完成。

OpenCV 中的傅里葉變換函數 cv.dft() 對于行數和列數都可以分解為2^p*3^q*5^r的矩陣的計算性能最好。為了提高運算性能，可以對原矩陣的右側和下方補 0，以滿足該分解條件。OpenCV 中的 cv.getOptimalDFTSize() 函數可以實現圖像的最優 DFT 尺寸擴充，適用于 cv.dft() 和 np.fft.fft2()。

函數說明：

cv.getOptimalDFTSize(versize) → retval

參數說明：

versize：數組大小

retval：DFT 擴充的最優數組大小

示例代碼

    # 8.11：OpenCV 實現二維圖像的離散傅里葉變換
    imgGray = cv2.imread("../images/Fig0424a.tif", flags=0)  # flags=0 讀取為灰度圖像

    # cv2.dft 實現圖像的傅里葉變換
    imgFloat32 = np.float32(imgGray)  # 將圖像轉換成 float32
    dft = cv2.dft(imgFloat32, flags=cv2.DFT_COMPLEX_OUTPUT)  # 傅里葉變換
    dftShift = np.fft.fftshift(dft)  # 將低頻分量移動到頻域圖像的中心

    # 幅度譜
    # ampSpe = np.sqrt(np.power(dft[:,:,0], 2) + np.power(dftShift[:,:,1], 2))
    dftAmp = cv2.magnitude(dft[:,:,0], dft[:,:,1])  # 幅度譜，未中心化
    dftShiftAmp = cv2.magnitude(dftShift[:,:,0], dftShift[:,:,1])  # 幅度譜，中心化
    dftAmpLog = np.log(1 + dftShiftAmp)  # 幅度譜對數變換，以便于顯示
    # 相位譜
    phase = np.arctan2(dftShift[:,:,1], dftShift[:,:,0])  # 計算相位角(弧度制)
    dftPhi = phase / np.pi*180  # 將相位角轉換為 [-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 實現圖像的逆傅里葉變換
    invShift = np.fft.ifftshift(dftShift)  # 將低頻逆轉換回圖像四角
    imgIdft = cv2.idft(invShift)  # 逆傅里葉變換
    imgRebuild = cv2.magnitude(imgIdft[:,:,0], imgIdft[:,:,1])  # 重建圖像

    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')
    plt.imshow(imgRebuild, cmap='gray')
    plt.subplot(234), plt.title("DFT amplitude spectrum"), plt.axis('off')
    plt.imshow(dftAmp, cmap='gray')
    plt.subplot(235), plt.title("DFT-shift amplitude"), plt.axis('off')
    plt.imshow(dftShiftAmp, cmap='gray')
    plt.subplot(236), plt.title("Log-trans of DFT amp"), plt.axis('off')
    plt.imshow(dftAmpLog, cmap='gray')
    plt.tight_layout()
    plt.show()

感謝各位的閱讀！關于“Python OpenCV如何實現圖像傅里葉變換”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！