opencv 频域滤波
时间: 2025-01-09 18:47:46 浏览: 49
### OpenCV 频域滤波实现
频域滤波是图像处理中的一种重要技术,在OpenCV中有多种方式可以实现这一功能。下面将展示如何利用Python版本的OpenCV库执行基本的频域滤波操作。
#### 准备工作
为了能够在频率域上对图像进行变换,首先要导入必要的包并读入待处理图片:
```python
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image.jpg', 0) # 加载灰度图
```
#### 图像预处理
由于傅里叶变换的结果会把直流分量放在左上角,而通常人们更习惯看到中心化的结果,因此需要先将输入图像扩展至最优尺寸,并将其移动到频谱中央:
```python
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()
```
这段代码实现了离散傅立叶变换(DFT),并将得到的复数值移位以便观察[^1]。
#### 应用高通或低通滤波器
接下来可以根据需求设计合适的滤波器矩阵(例如理想低通/高通),这里给出创建圆形掩模的例子用于模拟简单的低通滤波效果:
```python
rows, cols = img.shape
crow, ccol = int(rows / 2), int(cols / 2)
# 创建一个掩码,中心为白色圆盘,其余部分黑色表示去除高频成分
mask = np.zeros((rows, cols, 2), np.uint8)
r = 80 # 圆半径可根据实际情况调整
cv2.circle(mask[crow - r:crow + r, ccol - r:ccol + r], (r, r), r, (1, 1), -1)
# 将掩码应用于DFT结果
fshift = dft_shift * mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
```
上述过程构建了一个圆形区域作为过滤条件,只保留靠近DC分量附近的较低频率信息,从而达到模糊化的效果[^3]。
最后可以通过对比原始图像与经过逆向快速傅里叶变换后的输出来直观感受变化。
---
阅读全文
相关推荐














