【数字图像处理】图像的频域滤波

图像的频域滤波

import numpy as np
import matplotlib.pyplot as plt

def gauss_filter(img, D0, N=2, type='lp'):
    # 离散傅里叶变换
    fft = np.fft.fft2(img)

    # 中心化
    fft_shift = np.fft.fftshift(fft)

    plt.imshow(np.log(1 + np.abs(fft_shift)), 'gray')
    plt.show()
    rows, cols = img.shape
    cx, cy = int(rows / 2), int(cols / 2)  # 计算频谱中心
    mask = np.zeros((rows, cols)) 

    for i in range(rows):
        for j in range(cols):
            D = np.sqrt((i - cx) ** 2 + (j - cy) ** 2)  # 计算D(u,v)
            if (type == 'lp'):  # 低通
                mask[i, j] = np.exp(-(D * D) / (2 * D0 * D0))
            elif (type == 'hp'):  # 高通
                mask[i, j] = (1 - np.exp(-(D * D) / (2 * D0 * D0)))
            elif (type == 'notch'):  # 陷波
                # crow1, ccol1 = int(rows / 2), int(1.5*cols / 4)
                # crow2, ccol2 = int(rows / 2), int(2.5 * cols / 4)
                crow1, ccol1 = int(rows / 2), int(1.22*cols / 3)
                crow2, ccol2 = int(rows / 2), int(1.78 * cols / 3)
                crow3, ccol3 = int(rows / 2), int(1.3*cols / 4)
                crow4, ccol4 = int(rows / 2), int(2.7 *cols / 4)
                crow5, ccol5 = int(rows / 2), int(1.4*cols / 6)
                crow6, ccol6 = int(rows / 2), int(4.6 *cols / 6)
                D1 = np.sqrt((i - crow1) ** 2 + (j - ccol1) ** 2)  # 计算D(crow1,ccol1)
                D2 = np.sqrt((i - crow2) ** 2 + (j - ccol2) ** 2)  # 计算D(crow2,ccol2)
                D3 = np.sqrt((i - crow3) ** 2 + (j - ccol3) ** 2)  # 计算D(crow3,ccol3)
                D4 = np.sqrt((i - crow4) ** 2 + (j - ccol4) ** 2)  # 计算D(crow4,ccol4)
                D5 = np.sqrt((i - crow5) ** 2 + (j - ccol5) ** 2)  # 计算D(crow5,ccol5)
                D6 = np.sqrt((i - crow6) ** 2 + (j - ccol6) ** 2)  # 计算D(crow6,ccol6)
                # 陷波
                mask[i, j] = (1 - np.exp(- (D1 ** 2) / (2 * D0 ** 2)))*(1 - np.exp(- (D2 ** 2) / (2 * D0 ** 2)))\
                             *(1 - np.exp(- (D3 ** 2) / (2 * D0 ** 2)))*(1-np.exp(- (D4 ** 2) / (2 * D0 ** 2))) \
                             * (1 - np.exp(- (D5 ** 2) / (2 * D0 ** 2))) * (1 - np.exp(- (D6 ** 2) / (2 * D0 ** 2)))
            elif (type == 'boost'):   # 提升
                mask[i, j] = 1 - np.exp(- (D ** 2) / (2 * D0 ** 2)) + 1 
            assert ('type error')

    fshift = fft_shift * mask

    plt.imshow(np.log(1 + np.abs(fshift)), 'gray')
    plt.show()
    f_ishift = np.fft.ifftshift(fshift)
    img_back = np.fft.ifft2(f_ishift)

    img_back = np.abs(img_back)

    return img_back

高斯低通
高斯低通表达式为：

$$H_l(u,v)=e^{-D^2(u,v)/2D_0^2}$$

其中$D(u,v)$是频率矩阵中心到矩阵中包含的任意一点$(u,v)$的距离。$D_0$是截止频率。

高斯高通

高斯高通表达式为
$$H_h(u,v)=1-e^{-D^2(u,v)/2D_0^2}$$

高频提升滤波器
高频提升滤波器是高通加全通$H_a$：

$$H(u,v)=H_h(u,v)+H_a(u,v)$$

高斯陷波滤波器
高斯陷波滤波器：陷波滤波器可以阻止或允许以某个频率为中心的邻域里的频率通过，例如，设$D_1(u,v),D_2(u,v)$分别为两个频率中心到矩阵中包含的任意一点$(u,v)$ 的距离，要阻止这两个频域中心的邻域，相应的陷波滤波器为：

$$H_h(u,v)=\left(1-e^{-D_1^2(u,v)/2D_0^2}\right)\cdot \left(1-e^{-D_2^2(u,v)/2D_0^2}\right)$$

竖直条纹噪声反应在频谱图中的 $X$轴上,因此，使用六个高斯高通滤波器合成的陷波滤波器对图像进行处理，可以对其进行去除：