前言
在前一篇的博文中，我们详细讲解了傅里叶变换的原理以及使用Numpy库实现傅里叶变换。但是其实OpenCV有直接实现傅里叶变换的函数。
在OpenCV中，我们通过cv2.dft()来实现傅里叶变换，使用cv2.idft()来实现逆傅里叶变换。两个函数的定义如下：
cv2.dft(原始图像，转换标识)
这里的原始图像必须是np.float32格式。所以，我们首先需要使用cv2.float32()函数将图像转换。而转换标识的值通常为cv2.DFT_COMPLEX_OUTPUT，用来输出一个复数阵列。
经过cv2.dft()函数的变换后，我们会得到原始图像的频谱信息。此时零分量与Numpy库实现一样都不在中心位置。这里我们还是需要使用numpy.fft.fftshift()函数将其移动到中间位置。
需要特别注意的是，函数cv2.dft()返回值是双通道的，第1个通道是结果的实数部分，第2个通道是结果的虚数部分。使用numpy.fft.fftshift()函数处理后，频谱图像还只是一个由实部和虚部构成的值，要显示出来，要使用到另一个函数cv2.magnitude()。
该函数的定义如下：
cv2.magnitude(参数1，参数2)
参数1：浮点型x坐标值，也就是实部
参数2：浮点型y坐标值，也就是虚部，它必须和参数1具有相同的大小（size）
得到频谱图像的幅度之后，还需要将幅度映射到灰度空间[0,255]内，使其以灰度图像显示出来。与前篇博文一样，使用20*np.log(cv2.magnitude())。
实现傅里叶变换
下面，我们来通过上述OpenCV函数来实现傅里叶变换，并显示其频谱信息。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("4.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
result = 20 * np.log(cv2.magnitude(dftShift[:, :, 0], dftShift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap="gray")
plt.axis('off')
plt.show()
运行之后，显示效果与前篇博文一样。
实现逆傅里叶变换
还是与上篇博文一样，这里我们过滤图像的频谱信息，这里我们过滤低频信息。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("4.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
result = 20 * np.log(cv2.magnitude(dftShift[:, :, 0], dftShift[:, :, 1]))
rows,cols=img.shape
rows_half,cols_half=int(rows/2),int(cols/2)
mask=np.zeros((rows,cols,2),dtype=np.uint8)
mask[rows_half-30:rows_half+30,cols_half-30:cols_half+30]=1
#逆傅里叶变换
fShift=dftShift*mask
ishift=np.fft.ifftshift(fShift)
iimg=cv2.idft(ishift)
iimg=cv2.magnitude(iimg[:,:,0],iimg[:,:,1])
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap="gray")
plt.axis('off')
plt.show()
运行之后，效果如下：
可以看到过滤低频信息后，图像的边缘信息被消弱了。
到此这篇关于OpenCV-Python使用cv2实现傅里叶变换的文章就介绍到这了,更多相关OpenCV 傅里叶变换内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！
