【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
欢迎关注 『OpenCV 例程200篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
2.3 二维离散傅里叶变换（DFT）
对于二维图像处理，通常使用 x,yx, yx,y 表示离散的空间域坐标变量，用 u,vu,vu,v 表示离散的频率域变量。二维离散傅里叶变换（DFT）和反变换（IDFT）为：
F(u,v)=∑x=0M−1∑y=0N−1f(x,y)e−j2π(ux/M+vy/N)f(x,y)=1MN∑u=0M−1∑v=0N−1F(u,v)ej2π(ux/M+vy/N)\begin{aligned} F(u,v) &= \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x,y) e^{-j 2\pi (ux/M+vy/N)}\\ f(x,y) &= \frac{1}{MN} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u,v) e^{j 2\pi (ux/M+vy/N)} \end{aligned} F(u,v)f(x,y)=x=0∑M−1y=0∑N−1f(x,y)e−j2π(ux/M+vy/N)=MN1u=0∑M−1v=0∑N−1F(u,v)ej2π(ux/M+vy/N)
二维离散傅里叶变换也可以用极坐标表示：
F(u,v)=R(u,v)+jI(u,v)=∣F(u,v)∣ejϕ(u,v)F(u,v) = R(u,v) + j I(u,v) = |F(u,v)| e^{j \phi (u,v)} F(u,v)=R(u,v)+jI(u,v)=∣F(u,v)∣ejϕ(u,v)
傅里叶频谱（Fourier spectrum）为：
∣F(u,v)∣=[R2(u,v)+I2(u,v)]1/2|F(u,v)| = [R^2(u,v) + I^2(u,v)]^{1/2} ∣F(u,v)∣=[R2(u,v)+I2(u,v)]1/2
傅里叶相位谱（Fourier phase spectrum）为：
ϕ(u,v)=arctan[I(u,v)/R(u,v)]\phi (u,v) = arctan[I(u,v)/R(u,v)] ϕ(u,v)=arctan[I(u,v)/R(u,v)]
傅里叶功率谱（Fourier power spectrum）为：
P(u,v)=∣F(u,v)∣2=R2(u,v)+I2(u,v)P(u,v) = |F(u,v)|^2 = R^2(u,v) + I^2(u,v) P(u,v)=∣F(u,v)∣2=R2(u,v)+I2(u,v)
空间取样和频率间隔是相互对应的，频率域所对应的离散变量间的间隔为：Δu=1/MΔT，Δv=1/NΔZ\Delta u = 1/M \Delta T，\Delta v = 1/N \Delta ZΔu=1/MΔT，Δv=1/NΔZ。即：频域中样本之间的间隔，与空间样本之间的间隔及样本数量的乘积成反比。
空间域滤波器和频率域滤波器也是相互对应的，二维卷积定理是在空间域和频率域滤波之间建立等价关系的纽带：
(f⋆h)(x,y)⇔(F⋅H)(u,v)(f \star h)(x,y) \Leftrightarrow (F \cdot H)(u,v) (f⋆h)(x,y)⇔(F⋅H)(u,v)
这表明 F 和 H 分别是 f 和 h 的傅里叶变换；f 和 h 的空间卷积的傅里叶变换，是它们的变换的乘积。
因此，计算两个函数的空间卷积，可以直接在空间域计算，也可以在频率域计算：先计算每个函数的傅里叶变换，再对两个变换相乘，最后进行傅里叶反变换转换回空间域。
也就是说，空间域滤波器和频率域滤波器实际上是相互对应的，有些空间域滤波器在频率域通过傅里叶变换实现会更方便、更快速。
2.4 Numpy 实现图像傅里叶变换
Numpy 中的 np.fft.fft2() 函数可以实现图像的傅里叶变换 。
函数说明：
numpy.fft.fft2(a, s=None, axes=(- 2, - 1), norm=None) → out
参数说明：
- a：输入数组，一维或多维数组，可以是复数形式
- s：输出数组的形状（每个变换轴的长度），对应于 fft(x,n) 中的 n，可选项
- out：输出数组，复数形式的一维或多维数组（complex ndarray）
注意事项：
- 用于二维图像傅里叶变换时，输入数组 a 是 numpy 二维数组（灰度图像）或三维数组（彩色图像）。
- 输出结果是复数形式 (Real+j∗Imag)(Real + j * Imag)(Real+j∗Imag) 的数组，不能直接用于显示图像。为了显示傅里叶变换结果的图像，需要将数组的值调整到 [0,255] 的灰度空间内。
经过 np.fft.fft2() 函数实现傅里叶变换得到的图片频谱信息，幅度谱的最大值（低频分量）在左上角 (0,0) 处。为了便于观察，通常用 np.fft.fftshift() 函数将低频分量移动到频域图像的中心位置。
函数说明：
numpy.fft.fftshift(x, axes=None) → y
参数说明：
- x：输入数组，一维或多维数组
- axes：整数，或输入数组形状的元组，用于指定移动的轴，可选项
- y：输出数组
例程 8.10：二维图像的离散傅里叶变换（Numpy）
# 8.10：Numpy 实现二维离散傅里叶变换normalize = lambda x: (x - x.min()) / (x.max() - x.min() + 1e-6)imgGray = cv2.imread("../images/Fig0424a.tif", flags=0) # flags=0 读取为灰度图像# imgGray = cv2.imread("../images/imgBall.png", flags=1) # flags=0 读取为灰度图像# 傅里叶变换# fft = np.fft.fft2(imgGray.astype(np.float32))fft = np.fft.fft2(imgGray) # np.fft.fft2 实现傅里叶变换# 非中心化，计算幅度谱和相位谱ampSpectrum = np.sqrt(np.power(fft.real, 2) + np.power(fft.imag, 2)) # 幅度谱print("ampSpectrum max={}, min={}".format(ampSpectrum.max(), ampSpectrum.min()))# phase = np.arctan2(fft.imag, fft.real) # 计算相位角(弧度制)# phiSpectrum = phase / np.pi*180 # 将相位角转换为 [-180, 180]phiSpectrum = np.angle(fft)# 中心化，将低频分量移动到频域图像的中心fftShift = np.fft.fftshift(fft) # 将低频分量移动到频域图像的中心# 中心化后的幅度谱ampSpeShift = np.sqrt(np.power(fftShift.real, 2) + np.power(fftShift.imag, 2))ampShiftNorm = np.uint8(normalize(ampSpeShift)*255) # 归一化为 [0,255]# 幅度谱做对数变换ampSpeLog = np.log(1 + ampSpeShift) # 幅度谱做对数变换以便于显示ampSpeLog = np.uint8(normalize(ampSpeLog)*255) # 归一化为 [0,255]# np.fft.ifft2 实现图像的逆傅里叶变换invShift = np.fft.ifftshift(fftShift) # 将低频逆转换回图像四角imgIfft = np.fft.ifft2(invShift) # 逆傅里叶变换，返回值是复数数组imgRebuild = np.abs(imgIfft) # 将复数数组调整至灰度空间plt.figure(figsize=(9, 6))plt.subplot(231), plt.title("Original image"), plt.axis('off')plt.imshow(imgGray, cmap='gray')plt.subplot(232), plt.title("FFT phase spectrum"), plt.axis('off')plt.imshow(phiSpectrum, cmap='gray')plt.subplot(233), plt.title("Rebuild image with IFFT"), plt.axis('off')plt.imshow(imgRebuild, cmap='gray')plt.subplot(234), plt.title("FFT amplitude spectrum"), plt.axis('off')plt.imshow(ampSpectrum, cmap='gray')plt.subplot(235), plt.title("FFT-shift amplitude"), plt.axis('off')plt.imshow(ampSpeShift, cmap='gray')plt.subplot(236), plt.title("Log-trans of FFT amp"), plt.axis('off')plt.imshow(ampSpeLog, cmap='gray')plt.tight_layout()plt.show()
程序说明：
图中未中心化的幅度谱（FFT amp spe）也并不是完全黑色，在图像的四角位置都有微小的亮区域，但是很难观察到，这也是对幅度谱进行中心化处理（fftShift）的原因。
（本节完）
版权声明：
youcans@xupt 原创作品，转载必须标注原文链接
Copyright 2021 youcans, XUPT
Crated：2022-1-20
欢迎关注 『OpenCV 例程200篇』 系列，持续更新中
欢迎关注 『Python小白的OpenCV学习课』 系列，持续更新中
【OpenCV 例程200篇】01. 图像的读取（cv2.imread）
【OpenCV 例程200篇】02. 图像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 图像的显示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 例程200篇】05. 图像的属性（np.shape）
【OpenCV 例程200篇】06. 像素的编辑（img.itemset）
【OpenCV 例程200篇】07. 图像的创建（np.zeros）
【OpenCV 例程200篇】08. 图像的复制（np.copy）
【OpenCV 例程200篇】09. 图像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 图像的拼接（np.hstack）
【OpenCV 例程200篇】11. 图像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 图像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 图像的加法运算（cv2.add）
【OpenCV 例程200篇】14. 图像与标量相加（cv2.add）
【OpenCV 例程200篇】15. 图像的加权加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的图像加法
【OpenCV 例程200篇】17. 两张图像的渐变切换
【OpenCV 例程200篇】18. 图像的掩模加法
【OpenCV 例程200篇】19. 图像的圆形遮罩
【OpenCV 例程200篇】20. 图像的按位运算
【OpenCV 例程200篇】21. 图像的叠加
【OpenCV 例程200篇】22. 图像添加非中文文字
【OpenCV 例程200篇】23. 图像添加中文文字
【OpenCV 例程200篇】23. 图像添加中文文字
【OpenCV 例程200篇】24. 图像的仿射变换
【OpenCV 例程200篇】25. 图像的平移
【OpenCV 例程200篇】26. 图像的旋转（以原点为中心）
【OpenCV 例程200篇】27. 图像的旋转（以任意点为中心）
【OpenCV 例程200篇】28. 图像的旋转（直角旋转）
【OpenCV 例程200篇】29. 图像的翻转（cv2.flip）
【OpenCV 例程200篇】30. 图像的缩放（cv2.resize）
【OpenCV 例程200篇】31. 图像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 图像的扭变（错切）
【OpenCV 例程200篇】33. 图像的复合变换
【OpenCV 例程200篇】34. 图像的投影变换
【OpenCV 例程200篇】35. 图像的投影变换（边界填充）
【OpenCV 例程200篇】36. 直角坐标与极坐标的转换
【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理
【OpenCV 例程200篇】38. 图像的反色变换（图像反转）
【OpenCV 例程200篇】39. 图像灰度的线性变换
【OpenCV 例程200篇】40. 图像分段线性灰度变换
【OpenCV 例程200篇】41. 图像的灰度变换（灰度级分层）
【OpenCV 例程200篇】42. 图像的灰度变换（比特平面分层）
【OpenCV 例程200篇】43. 图像的灰度变换（对数变换）
【OpenCV 例程200篇】44. 图像的灰度变换（伽马变换）
【OpenCV 例程200篇】45. 图像的灰度直方图
【OpenCV 例程200篇】46. 直方图均衡化
【OpenCV 例程200篇】47. 图像增强—直方图匹配
【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
【OpenCV 例程200篇】49. 图像增强—局部直方图处理
【OpenCV 例程200篇】50. 图像增强—直方图统计量图像增强
【OpenCV 例程200篇】51. 图像增强—直方图反向追踪
【OpenCV 例程200篇】52. 图像的相关与卷积运算
【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
【OpenCV 例程200篇】55. 可分离卷积核
【OpenCV 例程200篇】56. 低通盒式滤波器
【OpenCV 例程200篇】57. 低通高斯滤波器
【OpenCV 例程200篇】58. 非线性滤波—中值滤波
【OpenCV 例程200篇】59. 非线性滤波—双边滤波
【OpenCV 例程200篇】60. 非线性滤波—联合双边滤波
【OpenCV 例程200篇】61. 导向滤波（Guided filter）
【OpenCV 例程200篇】62. 图像锐化——钝化掩蔽
【OpenCV 例程200篇】63. 图像锐化——Laplacian 算子
【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
【OpenCV 例程200篇】65. 图像锐化——Scharr 算子
【OpenCV 例程200篇】66. 图像滤波之低通/高通/带阻/带通
【OpenCV 例程200篇】67. 空间域图像增强的综合应用
【OpenCV 例程200篇】68. 空间域图像增强的综合应用
【OpenCV 例程200篇】69. 连续非周期信号的傅立叶系数
【OpenCV 例程200篇】70. 一维连续函数的傅里叶变换
【OpenCV 例程200篇】71. 连续函数的取样
【OpenCV 例程200篇】72. 一维离散傅里叶变换
【OpenCV 例程200篇】73. 二维连续傅里叶变换
【OpenCV 例程200篇】74. 图像的抗混叠
【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
【OpenCV 例程200篇】77. OpenCV 实现快速傅里叶变换
【OpenCV 例程200篇】78. 频率域图像滤波基础
【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤
【OpenCV 例程200篇】80. 频率域图像滤波详细步骤
【OpenCV 例程200篇】81. 频率域高斯低通滤波器
【OpenCV 例程200篇】82. 频率域巴特沃斯低通滤波器
【OpenCV 例程200篇】83. 频率域低通滤波：印刷文本字符修复
【OpenCV 例程200篇】84. 由低通滤波器得到高通滤波器
【OpenCV 例程200篇】85. 频率域高通滤波器的应用
【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
【OpenCV 例程200篇】87. 频率域钝化掩蔽
【OpenCV 例程200篇】88. 频率域拉普拉斯高通滤波
【OpenCV 例程200篇】89. 带阻滤波器的传递函数
【OpenCV 例程200篇】90. 频率域陷波滤波器
【OpenCV 例程200篇】91. 高斯噪声、瑞利噪声、爱尔兰噪声
【OpenCV 例程200篇】92. 指数噪声、均匀噪声、椒盐噪声
【OpenCV 例程200篇】93. 噪声模型的直方图
【OpenCV 例程200篇】94. 算术平均滤波器
【OpenCV 例程200篇】95. 几何均值滤波器
【OpenCV 例程200篇】96. 谐波平均滤波器
【OpenCV 例程200篇】97. 反谐波平均滤波器
【OpenCV 例程200篇】98. 统计排序滤波器
【OpenCV 例程200篇】99. 修正阿尔法均值滤波器
【OpenCV 例程200篇】100. 自适应局部降噪滤波器
