opencv学习笔记24-opencv图像的傅里叶变换（幅值谱）

一、函数：

a.getOptimalDFTSize 函数:

（1）函数原型：

CV_EXPORTS_W int getOptimalDFTSize(int vecsize);

（2）函数作用：

• getOptimalDFTSize 函数用于计算给定向量大小的最优离散傅里叶变换（DFT）尺寸。由于 DFT 的性能并不是向量尺寸的单调函数，因此通常在计算两个数组的卷积或对数组进行频谱分析时，将输入数据用零填充到略大的尺寸，这样可以更快地进行变换。

（3）参数：

• vecsize：输入参数，表示向量的大小。

（4）返回值：

• 函数返回的 N 是大于或等于 vecsize 的最小数，使得大小为 N 的向量可以高效地进行 DFT 变换。在当前实现中，N 的形式为 N=2p×3q×5rN=2p×3q×5r，其中 p、q、r 是一些整数。

（5）特殊情况：

• 如果 vecsize 太大（非常接近 INT_MAX），函数返回一个负数。

（6）DCT 变换：

• 虽然该函数不能直接用于估计离散余弦变换（DCT）的最优向量大小（因为当前的 DCT 实现仅支持偶数大小的向量），但可以通过 getOptimalDFTSize((vecsize+1)/2)*2 来间接处理。

（7）优化原理：

• 数组大小为 2 的幂（2、4、8、16、32，...）时处理速度最快。此外，大小为 2、3 和 5 的乘积的数组（例如 300 = 5 × 5 × 3 × 2 × 2）也被相当高效地处理。

（8）相关函数：

• dft：执行离散傅里叶变换。
• dct：执行离散余弦变换。
• idft：执行逆离散傅里叶变换。
• idct：执行逆离散余弦变换。
• mulSpectrums：用于乘以两个相似大小的 DFT 或 DCT 变换结果。

b. copyMakeBorder 函数：

（1）函数原型：

CV_EXPORTS_W void copyMakeBorder(InputArray src, OutputArray dst, int top,
                         int bottom, int left, int right, int borderType,
                         const Scalar& value = Scalar() );

（2）函数作用：

• copyMakeBorder 函数在图像周围形成边框。它将源图像 src 复制到目标图像 dst 的中间，并用外推（extrapolated）像素填充图像的左侧、右侧、上方和下方。

 （3）参数：

• src：源图像。
• dst：目标图像，其类型与 src 相同，尺寸为 Size(src.cols+left+right, src.rows+top+bottom)。
• top、bottom、left、right：分别指定在源图像矩形的每个方向上外推多少像素来构建边框。
• borderType：边框类型，用于指定如何外推像素。不同的外推方法在 borderInterpolate 中有详细说明。
• value：当 borderType 为 BORDER_CONSTANT 时，用于指定边框的值，默认为 Scalar()。

 （4）特殊模式：

• 当 src 已经是 dst 中间的一部分时，函数不会复制 src 本身，而只是构建边框。这可以通过不复制数据而选择 dst 中与 src 大小相同的中间部分来实现。

（5）注意点：

• 如果源图像是更大图像的感兴趣区域（ROI），copyMakeBorder 会尝试使用 ROI 外的像素来形成边框。要禁用此功能并始终进行外推（就好像 src 不是 ROI），可以在 borderType 中使用 BORDER_ISOLATED。

c. merge 函数（重载）：

（1）函数原型：

CV_EXPORTS_W void merge(InputArrayOfArrays mv, OutputArray dst);

（2）函数作用：

• merge 函数用于将多个单一通道的矩阵合并成一个多通道的矩阵。这在处理多光谱图像或进行图像分析时非常有用，例如在傅里叶变换后合并实部和虚部矩阵。

（3）参数：

• mv：输入参数，是一个由多个矩阵组成的向量，这些矩阵必须具有相同的大小和相同的数据类型（depth）。
• dst：输出参数，是一个数组，其大小与 mv[0] 相同，数据类型也与 mv[0] 相同；输出数组的通道数将等于输入矩阵数组中所有矩阵的通道数之和。

（4）合并规则：

• merge 函数会按照 mv 中矩阵的顺序，将它们一个接一个地合并到输出矩阵 dst 中。第一个矩阵成为输出矩阵的第一个通道，第二个矩阵成为第二个通道，依此类推。

（5）使用场景：

• 合并多个图像的通道，例如将 RGB 三个单通道图像合并为一个三通道的彩色图像。
• 在频域分析中，合并傅里叶变换后的实部和虚部，以便进行进一步处理。

 d.dft 函数：

（1）函数原型：

CV_EXPORTS_W void dft(InputArray src, OutputArray dst, int flags = 0, int nonzeroRows = 0);

（2）函数作用：

dft 函数执行以下操作之一：

• 一维前向变换：对 N 个元素的一维向量进行前向傅里叶变换。
• 一维逆变换：对 N 个元素的一维向量进行逆傅里叶变换。
• 二维前向变换：对 MxN 矩阵进行二维前向傅里叶变换。
• 二维逆变换：对 MxN 矩阵进行二维逆傅里叶变换。

（3）参数说明：

• src：输入数组，可以是实数或复数。
• dst：输出数组，其大小和类型取决于变换的类型和标志。
• flags：变换标志，表示一个组合的 DftFlags。这些标志定义了变换的类型（前向或逆）和输出的格式（实数或复数）。
• nonzeroRows：当此参数非零时，函数假定输入数组（未设置 DFT_INVERSE）的前 nonzeroRows 行或输出数组（设置了 DFT_INVERSE）的前 nonzeroRows 行包含非零值，这可以提高处理效率。

（4）变换模式：

• 如果设置了 DFT_ROWS 标志或输入数组只有一行或一列，则函数对矩阵的每一行执行一维变换。
• 如果输入数组是实数且未设置 DFT_INVERSE，则执行前向变换，输出可以是复数矩阵或使用 CCS（complex-conjugate-symmetrical）格式的实数矩阵。
• 如果输入数组是复数且未设置 DFT_INVERSE 或 DFT_REAL_OUTPUT，则执行前向变换，输出是相同大小的复数数组。
• 如果设置了 DFT_INVERSE 且输入数组是实数或设置了 DFT_REAL_OUTPUT，则执行逆变换，输出是相同大小的实数数组。

（5）变换效率：

• 变换仅支持那些可以分解为小质数（当前实现中为 2、3 和 5）乘积的数组大小。使用 getOptimalDFTSize 方法可以计算出高效的 DFT 大小。

（6）注意事项：

• 函数支持任意大小的数组，但只有当数组大小可以分解为小质数时，变换才更高效。
• 提供了一些优化方法，例如只清零必要的部分，使用 DFT 卷积的块处理，以及多线程处理。
• 使用 matchTemplate 和 filter2D 函数可以比理论上的最优实现获得更好的性能。

（7）相关函数：

• dct：执行离散余弦变换。
• getOptimalDFTSize：计算最优的 DFT 大小。
• mulSpectrums：乘以两个相似大小的 DFT 或 DCT 变换结果。
• filter2D：对图像应用自定义的线性滤波器。
• matchTemplate：计算模板与图像的匹配。
• flip：翻转图像。
• cartToPolar：将直角坐标系中的点转换为极坐标系。
• magnitude：计算复数的幅度。
• phase：计算复数的相位。

e.split 函数：

（1）函数原型：

CV_EXPORTS void split(const Mat& src, Mat* mvbegin); 

（2）函数作用：

• split 函数将一个多通道数组（例如，一个三通道的彩色图像）分割成几个单独的单通道数组（例如，三个灰度图像，每个分别代表红色、绿色和蓝色通道）。

（3）公式描述：

其中， 是输出数组向量中的第 c 个数组，是输入数组在位置 I 的第 c 个通道。

（4）参数：

• src：输入的多通道数组。
• mvbegin：输出数组的指针，指向第一个输出数组。输出数组的数量必须与 src.channels() 相匹配，即输入数组的通道数。如果需要，输出数组将被重新分配。

（5）相关函数：

• merge：与 split 功能相反，它将多个单通道数组合并成一个多通道数组。
• mixChannels：用于更复杂的通道排列，可以提取单个通道或进行通道的重新排列。
• cvtColor：用于执行颜色转换，例如从 RGB 转换到灰度图像。

f.magnitude 函数：

 （1）函数原型：

CV_EXPORTS_W void magnitude(InputArray x, InputArray y, OutputArray magnitude);

（2）函数作用：

• magnitude 函数计算由 x 和 y 数组对应的元素形成的二维向量的大小。向量的大小定义为向量两个分量平方和的平方根。

（3）公式描述：

• 
• 其中，dst 是输出的向量大小，x(I) 和 y(I) 是在位置 I 的 x 和 y 分量的值。

（4）参数：

• x：浮点型数组，包含向量的 x-坐标。
• y：浮点型数组，包含向量的 y-坐标。它必须与 x 有相同的大小。
• magnitude：输出数组，其大小和类型与 x 相同，包含计算出的向量大小。

 （5）相关函数：

• cartToPolar：将笛卡尔坐标系中的点转换为极坐标系，需要幅度和角度。
• polarToCart：将极坐标系中的点转换回笛卡尔坐标系。
• phase：计算复数的相位角。
• sqrt：计算平方根，magnitude 函数内部使用此函数来计算向量的大小。

（6）使用场景：

• magnitude 函数常用于图像处理中的梯度计算，特别是在计算图像的幅度谱时，其中 x 和 y 分量可以来自图像的梯度或其它二维变换的结果。

 g.log 函数:

 （1）函数原型：

CV_EXPORTS_W void log(InputArray src, OutputArray dst);

（2）函数作用：

• log 函数计算输入数组 src 中每个元素的自然对数（底数为 e），并将结果存储在输出数组 dst 中。

（3）公式描述：

• 
• 其中，dst(I) 是输出数组在位置 I 的元素，src(I) 是输入数组在位置 I 的元素。

（4）参数：

• src：输入数组，其元素的自然对数将被计算。
• dst：输出数组，其大小和类型与 src 相同，包含计算出的自然对数值。

（5）注意事项：

• 对零、负数以及特殊值（如 NaN、Inf）计算对数是未定义的。在实际应用中，这意味着如果输入数组包含这些值，函数的行为是不确定的，可能会导致错误或不准确的结果。

（6）使用场景：

• log 函数常用于需要对数据进行对数变换的场景，例如在图像处理中的对比度增强、信号处理中的幅度压缩，或者在数学和统计分析中处理指数分布的数据。

 （5）相关函数：

• exp：计算每个元素的指数（自然对数的逆运算）。
• cartToPolar 和 polarToCart：在笛卡尔坐标系和极坐标系之间转换点。
• phase：计算复数的相位角，通常与 log 函数结合使用进行相位unwrapping。
• pow：计算每个元素的幂次。
• sqrt：计算每个元素的平方根。
• magnitude：计算二维向量的大小，通常使用 sqrt 函数作为内部计算步骤。

 h.normalize 函数：

（1）函数原型：

CV_EXPORTS_W void normalize( InputArray src, InputOutputArray dst, double alpha = 1, 
double beta = 0, int norm_type = NORM_L2, int dtype = -1, InputArray mask = noArray());

 （2）函数作用：

• normalize 函数对输入数组 src 中的元素进行缩放和平移，使得：
• 当 normType 为 NORM_INF、NORM_L1 或 NORM_L2 时，分别使得 dst 的 L_p 范数等于 alpha。
• 当 normType 为 NORM_MINMAX 时，使得 dst 的最小值为 alpha，最大值为 beta。

（3）参数：

• src：输入数组。
• dst：输出数组，其大小与 src 相同。
• alpha：归一化的目标范数值或在范围归一化情况下的下限范围边界。
• beta：在范围归一化情况下的上限范围边界；在范数归一化中不使用。
• norm_type：归一化类型，可参见 cv::NormTypes。
• dtype：当为负数时，输出数组的数据类型与 src 相同；否则，输出数组具有与 src 相同的通道数，数据深度为 CV_MAT_DEPTH(dtype)。
• mask：可选的操作掩码。

（4）范数归一化：

• 在范数归一化中，数组的范数被缩放到 alpha 的值。范数可以是无穷大范数（NORM_INF）、L1 范数（NORM_L1）或 L2 范数（NORM_L2）。

（5）范围归一化：

• 在范围归一化中（NORM_MINMAX），数组的值被缩放到 [alpha, beta] 范围内。

（6）稀疏矩阵处理：

• 对于稀疏矩阵，只有非零值被分析和转换。因此，不允许对稀疏矩阵进行范围变换，因为这可能会改变零点的位置。

（7）相关函数：

• norm：计算数组的范数。
• Mat::convertTo：将矩阵转换为不同的数据类型，同时可以进行归一化。
• SparseMat::convertTo：稀疏矩阵的转换函数，类似于 Mat::convertTo。

二、代码示例：

#include <opencv2/core/utils/logger.hpp>
#include <opencv2/opencv.hpp>           
#include <opencv2/videoio.hpp>       
#include <opencv2/objdetect.hpp>        
#include <opencv2/highgui/highgui_c.h>  
#include <iostream>                     

using namespace cv;                    
using namespace std;      

 int calcVisibalMag(Mat srcMat, Mat& dstMat);

 // 主函数
 int main() {
     // 设置日志级别为不输出任何日志信息
     utils::logging::setLogLevel(utils::logging::LOG_LEVEL_SILENT);
     // 读取灰度图像
     Mat srcMat = imread("C:\\Users\\86173\\Desktop\\TI\\Q版阿离.png", 0);
     // 用于存储傅里叶变换后的可视化幅值谱
     Mat magMat;
     Mat magMat_image;

     // 检查图像是否成功读取
     if (srcMat.empty()) {
         cout << "failed to read image!:" << endl;
         return -1;
     }

     // 调用函数计算可视化的傅里叶变换幅值谱
     calcVisibalMag(srcMat, magMat_image);

     // 显示原始图像和傅里叶变换后的幅值谱
     imshow("原始图像", srcMat);
     imshow("幅度谱", magMat_image);

     // 等待用户按键
     waitKey(0);
     return 0;
 }

 // 函数用于计算图像的可视化傅里叶变换幅值谱
 int calcVisibalMag(Mat srcMat, Mat& dstMat) {
     // 检查输入图像是否为空
     if (srcMat.empty()) {
         cout << "failed to read image!" << endl;
         return -1;
     }

     // 用于存储边缘填充后的图像
     Mat Edge;

     // 获取最优的DFT尺寸
     int DFTrows = getOptimalDFTSize(srcMat.rows);
     int DFTcols = getOptimalDFTSize(srcMat.cols);

     // 对图像进行边缘填充，以适应DFT的最优尺寸
     copyMakeBorder(srcMat, Edge, 0, DFTrows - srcMat.rows, 0, DFTcols - srcMat.cols, BORDER_CONSTANT, Scalar::all(0));

     // 定义存储实部和虚部的数组
     Mat Memory[] = { Mat_<float>(Edge), Mat::zeros(Edge.size(), CV_32F) };

     Mat complex_matrix;

     // 将实部和虚部合并为一个复数矩阵
     merge(Memory, 2, complex_matrix);

     // 执行傅里叶变换
     dft(complex_matrix, complex_matrix);

     // 分离实部和虚部
     split(complex_matrix, Memory);
     // 计算幅值
     magnitude(Memory[0], Memory[1], Memory[0]);

     // 以下步骤为了显示方便
     Mat process = Memory[0];
     // 防止对数运算时取对数为负或零
     process += Scalar::all(1);
     // 取对数以增强可视化效果
     log(process, process);

     // 确保频谱的对称性
     process = process(Rect(0, 0, process.cols & -2, process.rows & -2));
     // 计算中心点
     int cx = process.cols / 2;
     int cy = process.rows / 2;
     // 将图像中心的四个象限交换位置
     Mat quadrant0(process, Rect(0, 0, cx, cy));
     Mat quadrant1(process, Rect(cx, 0, cx, cy));
     Mat quadrant2(process, Rect(0, cy, cx, cy));
     Mat quadrant3(process, Rect(cx, cy, cx, cy));
     Mat tmp;
     quadrant0.copyTo(tmp);
     quadrant3.copyTo(quadrant0);
     tmp.copyTo(quadrant3);
     quadrant1.copyTo(tmp);
     quadrant2.copyTo(quadrant1);
     tmp.copyTo(quadrant2);

     Mat image;
     //归一化并复制结果到输出参数dstMat
     normalize(process, image, 0, 1, NORM_MINMAX);
     image.copyTo(dstMat);

     return 0;
 }

三、运行结果：