前言
上一章我们说明了如何将图像机娘傅里叶变换,将图像由时域变换成频域,并将低频移动至图像中心。那么将低频移动中心后,就可以将图像的低频和高频分开,从而进行低通滤波和高通滤波的处理。
完整代码
低通滤波
import cv2
import numpy as np
import matplotlib.pyplot as plt
# cv2.imread()在读取图像的时候,默认的是读取成RGB图像,cv2.IMREAD_GRAYSCALE将以灰度图的形式读取
img = cv2.imread('./moon.jpg', flags = cv2.IMREAD_GRAYSCALE)
# 将图像除以255是为了将图像向数字准换成fioat32数据
img1 = img/255
# 进行傅里叶变换,时域——>频域
dtf = cv2.dft(img1, flags = cv2.DFT_COMPLEX_OUTPUT)
# 移动低频波到中心位置
dft_shift = np.fft.fftshift(dtf)
# 低通滤波
h,w = img.shape
# 图像中心点即低频波所在位置
h2, w2 = h//2, w//2
mask = np.zeros((h,w,2), dtype=np.uint8)
# 选取长宽为100的区域的低频部分为1,其余部分为0
mask[h2-50:h2+50,w2-50:w2+50] = 1
# 低频部分保留,其余部分*0被滤掉
dft_shift*=mask
# 傅里叶逆变换,频域——>时域
ifft_shift2 = np.fft.ifftshift(dft_shift)
result = cv2.idft(ifft_shift2)
# 创建显示窗口,显示原图
plt.figure(figsize=(12,9))
plt.subplot(121)
plt.imshow(img, cmap = 'gray')
# 创建显示窗口,显示低通滤波后的图像
plt.subplot(122)
plt.imshow(result[:,:,0], cmap='gray')
plt.show()
高通滤波
高通滤波和低通滤波的主要区别在于,低通滤波是保留中心的低频波去除高频波,高通滤波是去除中心的低频波保留高频波。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# cv2.imread()在读取图像的时候,默认的是读取成RGB图像,cv2.IMREAD_GRAYSCALE将以灰度图的形式读取
img = cv2.imread('./moon.jpg', flags = cv2.IMREAD_GRAYSCALE)
# 将图像除以255是为了将图像向数字准换成fioat32数据
img1 = img/255
# 进行傅里叶变换,时域——>频域
dtf = cv2.dft(img1, flags = cv2.DFT_COMPLEX_OUTPUT)
# 移动低频波到中心位置
dft_shift = np.fft.fftshift(dtf)
# 高通滤波
h,w = img.shape
# 图像中心点即低频波所在位置
h2, w2 = h//2, w//2 # 中心点
# 选取长宽为100的区域的低频部分为0,其余高频部分为1
dft_shift[h2-5:h2+5,w2-5:w2+5] = 0
# 傅里叶逆变换,频域——>时域
ifft_shift2 = np.fft.ifftshift(dft_shift)
result = cv2.idft(ifft_shift2)
# 创建显示窗口,显示原图
plt.figure(figsize=(12,9))
plt.subplot(121)
plt.imshow(img, cmap = 'gray')
# 创建显示窗口,显示低通滤波后的图像
plt.subplot(122)
plt.imshow(result[:,:,0], cmap='gray')
plt.show()
结果展示
改变滤波区域的大小可以改变滤波的程度,可以修改如图所示的代码中的相关部分:
低通滤波
高通滤波
到此这篇关于python opencv图像的高通滤波和低通滤波的文章就介绍到这了,更多相关python opencv图像内容请搜索编程网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编程网!