2. 程式人生 > >python數字圖像處理(四) 頻率域濾波

python數字圖像處理(四) 頻率域濾波

阿新 • • 發佈：2017-12-01
urn nim turn 更多 都是 import ims sso frequency 

import matplotlib.pyplot as plt
import numpy as np
import cv2
%matplotlib inline

首先讀入這次需要使用的圖像

img = cv2.imread(‘apple.jpg‘,0) #直接讀為灰度圖像
plt.imshow(img,cmap="gray")
plt.axis("off")
plt.show()

技術分享圖片

使用numpy帶的fft庫完成從頻率域到空間域的轉換。

f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)

低通濾波器

低通濾波器的公式如下
\[ H(u,v)= \begin{cases} 1, & \text{if $D(u,v)$ } \leq D_{0}\ 0, & \text{if $D(u,v)$} \geq D_{0} \end{cases} \]


其中\(D(u,v)\)為頻率域上\((u,v)\)點到中心的距離，\(D_0\)由自己設置
技術分享圖片
白點就是所允許通過的頻率範圍
3d圖像如下
技術分享圖片

我們先把蘋果轉化成頻率域看下效果

#取絕對值：將復數變化成實數
#取對數的目的為了將數據變化到0-255
s1 = np.log(np.abs(fshift))
plt.subplot(121),plt.imshow(s1,‘gray‘)
plt.title(‘Frequency Domain‘)
plt.show()

技術分享圖片

matplotlib對於不是uint8的圖像會自動把圖像的數值縮放到0-255上，更多可以查看對該問題的討論

我們在頻率域上試著取不同的\(d_0\)

再將其反變換到空間域看下效果

def make_transform_matrix(d,image):
    transfor_matrix = np.zeros(image.shape)
    center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
    for i in range(transfor_matrix.shape[0]):
        for j in range(transfor_matrix.shape[1]):
            def cal_distance(pa,pb):
                from
 
 math import sqrt
                dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                return dis
            dis = cal_distance(center_point,(i,j))
            if dis <= d:
                transfor_matrix[i,j]=1
            else:
                transfor_matrix[i,j]=0
    return transfor_matrix

d_1 = make_transform_matrix(10,fshift)
d_2 = make_transform_matrix(30,fshift)
d_3 = make_transform_matrix(50,fshift)

設定距離分別為10,30，50其通過的頻率的範圍如圖

plt.subplot(131)
plt.axis("off")
plt.imshow(d_1,cmap="gray")
plt.title(‘D_1 10‘)
plt.subplot(132)
plt.axis("off")
plt.title(‘D_2 30‘)
plt.imshow(d_2,cmap="gray")
plt.subplot(133)
plt.axis("off")
plt.title("D_3 50")
plt.imshow(d_3,cmap="gray")
plt.show()

技術分享圖片

img_d1 = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_1)))
img_d2 = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_2)))
img_d3 = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_3)))
plt.subplot(131)
plt.axis("off")
plt.imshow(img_d1,cmap="gray")
plt.title(‘D_1 10‘)
plt.subplot(132)
plt.axis("off")
plt.title(‘D_2 30‘)
plt.imshow(img_d2,cmap="gray")
plt.subplot(133)
plt.axis("off")
plt.title("D_3 50")
plt.imshow(img_d3,cmap="gray")
plt.show()

技術分享圖片

講上面過程整理得到頻率域低通濾波器的代碼如下

def lowPassFilter(image,d):
    f = np.fft.fft2(image)
    fshift = np.fft.fftshift(f)
    
    def make_transform_matrix(d):
        transfor_matrix = np.zeros(image.shape)
        center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
        for i in range(transfor_matrix.shape[0]):
            for j in range(transfor_matrix.shape[1]):
                def cal_distance(pa,pb):
                    from math import sqrt
                    dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                    return dis
                dis = cal_distance(center_point,(i,j))
                if dis <= d:
                    transfor_matrix[i,j]=1
                else:
                    transfor_matrix[i,j]=0
        return transfor_matrix
    d_matrix = make_transform_matrix(d)
    new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix)))
    return new_img
plt.imshow(lowPassFilter(img,60),cmap="gray")

技術分享圖片

高通濾波器

高通濾波器同低通濾波器非常類似，只不過二者通過的波正好是相反的
\[ H(u,v)= \begin{cases} 0, & \text{if $D(u,v)$ } \leq D_{0}\ 1, & \text{if $D(u,v)$} \geq D_{0} \end{cases} \]
技術分享圖片

def highPassFilter(image,d):
    f = np.fft.fft2(image)
    fshift = np.fft.fftshift(f)   
    def make_transform_matrix(d):
        transfor_matrix = np.zeros(image.shape)
        center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
        for i in range(transfor_matrix.shape[0]):
            for j in range(transfor_matrix.shape[1]):
                def cal_distance(pa,pb):
                    from math import sqrt
                    dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                    return dis
                dis = cal_distance(center_point,(i,j))
                if dis <= d:
                    transfor_matrix[i,j]=0
                else:
                    transfor_matrix[i,j]=1
        return transfor_matrix
    d_matrix = make_transform_matrix(d)
    new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix)))
    return new_img
img_d1 = highPassFilter(img,10)
img_d2 = highPassFilter(img,30)
img_d3 = highPassFilter(img,50)
plt.subplot(131)
plt.axis("off")
plt.imshow(img_d1,cmap="gray")
plt.title(‘D_1 10‘)
plt.subplot(132)
plt.axis("off")
plt.title(‘D_2 30‘)
plt.imshow(img_d2,cmap="gray")
plt.subplot(133)
plt.axis("off")
plt.title("D_3 50")
plt.imshow(img_d3,cmap="gray")
plt.show()

技術分享圖片

顯然當\(D_0=10\)時，蘋果的邊緣最清楚

不同濾波的比較

import imagefilter
thread_img = imagefilter.RobertsAlogrithm(img)
laplace_img = imagefilter.LaplaceAlogrithm(img,"fourfields")
mean_img = cv2.blur(img,(3,3))
plt.subplot(131)
plt.imshow(thread_img,cmap="gray")
plt.title("ThreadImage")
plt.axis("off")
plt.subplot(132)
plt.imshow(laplace_img,cmap="gray")
plt.axis("off")
plt.title("LaplaceImage")
plt.subplot(133)
plt.imshow(mean_img,cmap="gray")
plt.title("meanImage")
plt.axis("off")
plt.show()

技術分享圖片

空間域上的平均濾波和低通濾波一樣，只要起去掉無關信息，平滑圖像的作用。

Roberts，Laplace等濾波則起的提取邊緣的作用。

頻率域高通濾波器

高斯高通濾波器

頻率域高斯高通濾波器的公式如下
\[ H(u,v) = 1-e^{\dfrac{-D^2(u,v)}{2D_0^2}} \]
技術分享圖片

def GaussianHighFilter(image,d):
    f = np.fft.fft2(image)
    fshift = np.fft.fftshift(f)
    def make_transform_matrix(d):
        transfor_matrix = np.zeros(image.shape)
        center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
        for i in range(transfor_matrix.shape[0]):
            for j in range(transfor_matrix.shape[1]):
                def cal_distance(pa,pb):
                    from math import sqrt
                    dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                    return dis
                dis = cal_distance(center_point,(i,j))
                transfor_matrix[i,j] = 1-np.exp(-(dis**2)/(2*(d**2)))
        return transfor_matrix
    d_matrix = make_transform_matrix(d)
    new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix)))
    return new_img

使用高斯濾波器d分別為10,30,50實現的效果

img_d1 = GaussianHighFilter(img,10)
img_d2 = GaussianHighFilter(img,30)
img_d3 = GaussianHighFilter(img,50)
plt.subplot(131)
plt.axis("off")
plt.imshow(img_d1,cmap="gray")
plt.title(‘D_1 10‘)
plt.subplot(132)
plt.axis("off")
plt.title(‘D_2 30‘)
plt.imshow(img_d2,cmap="gray")
plt.subplot(133)
plt.axis("off")
plt.title("D_3 50")
plt.imshow(img_d3,cmap="gray")
plt.show()

技術分享圖片

高斯低通濾波器

頻率域高斯低通濾波器的公式如下
\[ H(u,v) = e^{\dfrac{-D^2(u,v)}{2D_0^2}} \]

def GaussianLowFilter(image,d):
    f = np.fft.fft2(image)
    fshift = np.fft.fftshift(f)
    def make_transform_matrix(d):
        transfor_matrix = np.zeros(image.shape)
        center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
        for i in range(transfor_matrix.shape[0]):
            for j in range(transfor_matrix.shape[1]):
                def cal_distance(pa,pb):
                    from math import sqrt
                    dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                    return dis
                dis = cal_distance(center_point,(i,j))
                transfor_matrix[i,j] = np.exp(-(dis**2)/(2*(d**2)))
        return transfor_matrix
    d_matrix = make_transform_matrix(d)
    new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix)))
    return new_img
img_d1 = GaussianLowFilter(img,10)
img_d2 = GaussianLowFilter(img,30)
img_d3 = GaussianLowFilter(img,50)
plt.subplot(131)
plt.axis("off")
plt.imshow(img_d1,cmap="gray")
plt.title(‘D_1 10‘)
plt.subplot(132)
plt.axis("off")
plt.title(‘D_2 30‘)
plt.imshow(img_d2,cmap="gray")
plt.subplot(133)
plt.axis("off")
plt.title("D_3 50")
plt.imshow(img_d3,cmap="gray")
plt.show()

技術分享圖片

空間域的高斯濾波

通常空間域使用高斯濾波來平滑圖像，在上一篇已經寫過，直接使用上篇文章的代碼。

def GaussianOperator(roi):
    GaussianKernel = np.array([[1,2,1],[2,4,2],[1,2,1]])
    result = np.sum(roi*GaussianKernel/16)
    return result

def GaussianSmooth(image):
    new_image = np.zeros(image.shape)
    image = cv2.copyMakeBorder(image,1,1,1,1,cv2.BORDER_DEFAULT)
    for i in range(1,image.shape[0]-1):
        for j in range(1,image.shape[1]-1):
            new_image[i-1,j-1] =GaussianOperator(image[i-1:i+2,j-1:j+2])
    return new_image.astype(np.uint8)

new_apple = GaussianSmooth(img)
plt.subplot(121)
plt.axis("off")
plt.title("origin image")
plt.imshow(img,cmap="gray")
plt.subplot(122)
plt.axis("off")
plt.title("Gaussian image")
plt.imshow(img,cmap="gray")
plt.subplot(122)
plt.axis("off")
plt.show()

技術分享圖片

巴特沃斯濾波器

無論是低通濾波器，高通濾波器都是粗暴的一刀切，正如之前那麽多空間域的濾波器一樣，我們希望它通過的頻率和與中心線性相關。
\[ h(u,v) = \frac{1} {{1+(D_0 / D(u,v))}^{2n}} \]
技術分享圖片

def butterworthPassFilter(image,d,n):
    f = np.fft.fft2(image)
    fshift = np.fft.fftshift(f)
    
    def make_transform_matrix(d):
        transfor_matrix = np.zeros(image.shape)
        center_point = tuple(map(lambda x:(x-1)/2,s1.shape))
        for i in range(transfor_matrix.shape[0]):
            for j in range(transfor_matrix.shape[1]):
                def cal_distance(pa,pb):
                    from math import sqrt
                    dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2)
                    return dis
                dis = cal_distance(center_point,(i,j))
                transfor_matrix[i,j] = 1/((1+(d/dis))**n)
        return transfor_matrix
    d_matrix = make_transform_matrix(d)
    new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix)))
    return new_img
plt.subplot(231)
butter_100_1 = butterworthPassFilter(img,100,1)
plt.imshow(butter_100_1,cmap="gray")
plt.title("d=100,n=1")
plt.axis("off")
plt.subplot(232)
butter_100_2 = butterworthPassFilter(img,100,2)
plt.imshow(butter_100_2,cmap="gray")
plt.title("d=100,n=2")
plt.axis("off")
plt.subplot(233)
butter_100_3 = butterworthPassFilter(img,100,3)
plt.imshow(butter_100_3,cmap="gray")
plt.title("d=100,n=3")
plt.axis("off")
plt.subplot(234)
butter_100_1 = butterworthPassFilter(img,30,1)
plt.imshow(butter_100_1,cmap="gray")
plt.title("d=30,n=1")
plt.axis("off")
plt.subplot(235)
butter_100_2 = butterworthPassFilter(img,30,2)
plt.imshow(butter_100_2,cmap="gray")
plt.title("d=30,n=2")
plt.axis("off")
plt.subplot(236)
butter_100_3 = butterworthPassFilter(img,30,3)
plt.imshow(butter_100_3,cmap="gray")
plt.title("d=30,n=3")
plt.axis("off")
plt.show()

技術分享圖片

可以明顯的觀察出過大的n造成的振鈴現象

butter_5_1 = butterworthPassFilter(img,5,1)
plt.imshow(butter_5_1,cmap="gray")
plt.title("d=5,n=3")
plt.axis("off")
plt.show()

技術分享圖片

python數字圖像處理(四) 頻率域濾波

相關推薦

python數字圖像處理(四) 頻率域濾波

urn nim turn 更多 都是 import ims sso frequency import matplotlib.pyplot as plt import numpy as np import cv2 %matplotlib inline 首先讀入這次需要使用的圖

python數字圖像處理（三）邊緣檢測常用算子

lin tco lap def ood 獲得 iou keep 算法 在該文將介紹基本的幾種應用於邊緣檢測的濾波器,首先我們讀入saber用來做為示例的圖像 #讀入圖像代碼,在此之前應當引入必要的opencv matplotlib numpy saber = cv2.imr

python數字圖像處理（1）：環境安裝與配置

rom ima 空間 都是 5.0 軟件 選項 png tar 轉載：https://www.cnblogs.com/denny402/p/5121501.html 一提到數字圖像處理編程，可能大多數人就會想到matlab，但matlab也有自身的缺點： 1

數字圖像處理及圖像頻域

合成 所有 坐標 image 應用 www. 處的 -h png 數字圖像處理方法的重要性源於兩個主要的應用領域：改善圖示信息以便人們解釋；為存儲、傳輸和表示而對圖像數據進行處理，以便於機器自動理解。 一幅數字圖像可定義為一個二維函數f(x,y)，其中x和y是空間（平面

Python+OpenCV圖像處理（十四）—— 直線檢測

gap mat rgb2gray inf 單位 imshow width 結果 pre 簡介： 1.霍夫變換(Hough Transform) 霍夫變換是圖像處理中從圖像中識別幾何形狀的基本方法之一，應用很廣泛，也有很多改進算法。主要用來從圖像中分離出具有某種相同特征的幾何

<數字圖像處理1> 數字圖像定義(Definition) 類型(Type) 采樣 (Sampling) 量化 (Quantisation)

nali rom pixel diff 類型 out 4.3 this ecif Continuous Greyscale Image 1 mapping f from a rectangular domain Ω =(0,a1) X (0,a2) to a co-do

【數字圖像處理】五.MFC圖像點運算之灰度線性變化、灰度非線性變化、閾值化和均衡化處理具體解釋

tput rgb 強制轉換 spa ros 例如 read 算法 nload 本文主要講述基於VC++6.0 MFC圖像處理的應用知識，主要結合自己大三所學課程《數字圖像處理》及課件進行解說。主要通過MFC單文檔視圖實現顯示BMP圖片

數字圖像處理，圖像銳化算法的C++實現

均值 tail lar 如果 算子 lur width nbsp lai http://blog.csdn.net/ebowtang/article/details/38961399 之前一段我們提到的算法都是和平滑有關， 經過平滑算法之後， 圖像銳度降低， 降低到一定程度

數字圖像處理之傅裏葉變換

灰度 grid bmp 填充 erl pre light angle tex 數字圖像處理之傅裏葉變換 by方陽 版權聲明：本文為博主原創文章，轉載請指明轉載地址

初探FFT在數字圖像處理中的應用(fft2函數的用法)

aso fig res 0.00 row 之前 得到 alt demo 初探FFT在數字圖像處理中的應用 一般FFT在通信等領域都做的一維變換就能夠了。可是在圖像處理方面，須要做二維變換，這個時候就須要用到F

數字圖像處理原理與實踐（MATLAB版）勘誤表

blog 核心 灰度變換 圖像復原 京東 .html href target 數字圖像處理 本文系《數字圖像處理原理與實踐（MATLAB版）》一書的勘誤表。【內容簡單介紹】本書全面系統地介紹了數字圖像處理技術的理論與方法，內容涉及幾何變換、灰度變換、圖像增強、圖像切割、

MATLAB數字圖像處理學習筆記

.html blog mage file png tle src 大於 span 　　我們都知道一幅圖片就相當於一個二維數組，可以用一個矩陣來表示，而MATLAB可以說就是為矩陣運算而生的，所以學習圖像處理，學習MATLAB勢在必行！ 一、 MATLAB基礎知識 1.

第一章，前言-數字圖像處理自學筆記（Rafael C.Gonzalez,英文第二版）

different ges 包含 系統 標簽 之一 tro with proc 什麽是數字圖像處理？ 　　數字圖像：坐標對應，幅值有限且離散 　　數字圖像處理：利用數字計算機，對數字圖像進行處理。 　　初級數字圖像處理：輸入為圖片，輸出也為圖片，如銳化、增強對比度、去噪等。

數字圖像處理筆記（二）關鍵鏡頭檢測

通過 diff 鏡頭 type min www jpg 類型 vid 鏡頭邊界檢測技術簡述 介紹 作為視頻最基本的單元幀(Frame)，它的本質其實就是圖片，一系列幀通過某種順序組成在一起就構成了視頻。鏡頭邊界是視頻相鄰兩幀出現了某種意義的變化，即鏡頭邊界反映了視頻內容的不

數字圖像處理 第三版 第一章筆記

認知 運動 第三版 相關 文學 獲取 探測器 工業 物理 1. 數字圖像和數字圖像處理 圖像可定義為一個函數，其自變量是坐標，因變量是灰度值。 當自變量和因變量全是離散值時，則稱該圖像是數字圖像。 數字圖像由有限數量的元素組成，這些元素成為像素，每個像素都有特定的位置和灰度

Win8 Metro(C#)數字圖像處理--2.57一維最大熵法圖像二值化

rgb ack stream toa tail 函數代碼 ble param nor 原文:Win8 Metro(C#)數字圖像處理--2.57一維最大熵法圖像二值化

Win8 Metro(C#)數字圖像處理--2.56簡單統計法圖像二值化

public 分割 ola 0.11 orm http statistic weight segment 原文:Win8 Metro(C#)數字圖像處理--2.56簡單統計法圖像二值化

Win8 Metro(C#)數字圖像處理--2.51圖像統計濾波算法

-h else bold ++ edit family net weight ram 原文:Win8 Metro(C#)數字圖像處理--2.51圖像統計濾波算法 ?

【AI基礎】python:openCV——圖像處理（1）

python python:openCV OpenCV圖像的基本操作 ：使用包cv2，numpy import cv2 import numpy as np img = cv2.imread(‘1.jpg‘) cv2.imshow(‘image‘,img) k = cv2.waitKey(0) "

【AI基礎】python:openCV——圖像處理（2）

getTrackbarPos圖像處理練習 制作一個滑動條調色板，使用函數cv2.getTrackbarPos()；cv2.creatTrackbar() import cv2 import numpy as np def nothing(x): pass img = np.zeros((300,5