OpenCV图像处理笔记[09]

48. matplotlib pyplotshow函数的使用

  • imshow

imshow ( X, cmap = None )

    • x : 要绘制的图像
    • cmap : colormap, 颜色色谱， 默认为RGBA(A) 颜色空间

  • 显示问题

    • 灰度图像

      colormap, 颜色图谱，默认为RGB(A)颜色空间，使用参数cmap = plt.cm.gray

    • 彩色图像

      colormap,颜色图谱，默认为RGB(A)颜色空间，如果使用opencv读入的图像，默认空间为BGR, 需要调整色彩空间为RGB

49. 直方图均衡化对比

在一个窗口内显示四个子窗口，显示原始图像，原始图像均衡化直方图等

import matplotlib.pyplot as plt

  • subplot

    subplot ( nrows, ncols, plot_number )

    • nrows : 行数
    • ncols : 列数
    • plot_number: 窗口序号

  • imshow

    imshow ( X, cmap = None )

    • x : 要绘制的图像
    • cmap : colormap, 颜色色谱， 默认为RGBA(A) 颜色空间
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('image\\boat.bmp',cv2.IMREAD_GRAYSCALE)
equ = cv2.equalizeHist(img)
plt.subplot(221)
plt.imshow(img.cmap = plt.cm.gray).plt.axis('off')
plt_subplot(222)
plt.imshow(equ.cmap = plt.cm.gray).plt.axis('off')
plt_subplot(223)
plt.hist(img.ravel(),256)
plt_subplot(224)
plt.hist(equ.ravel(),256)

50. 傅里叶变换的理论基础

  • 时域角度

    横坐标是时间

  • 频域角度

    横坐标是频率的倒数

  • 任何连续周期信号，可以由一组适当的正弦曲线组合而成。——傅里叶

  • 傅里叶变换：从时间角度看的信号可以转换为从频率角度看的信号，两者同时还是可逆的。

51.numpy实现傅里叶变换

numpy.fft.fft2

  • 实现傅里叶变换
  • 返回一个复数数组（ complex ndarray )

numpy.fft.ffushift

  • 将零频率分量转移到频谱中心

20*np.log(np.abs(fshift))

  • 设置频谱的范围
  • （给复数数组重新标定范围，设置区间，转换成灰度图像，映射到0~255之间）
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
result = 20*np.log(np.abs(shift))
plt.subplot(121)
plt.imshow(img,cmap = 'gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap = 'gray')
plt.title('result')
plt.axis('off')
plt.show()
  • 注意
    • 傅里叶得到低频、高频信息，针对低频、高频处理能够实现不同的目的。
    • 傅里叶过程是可逆的，图像经过傅里叶变换、逆傅里叶变换后，能够恢复到原始图像
    • 在频域对图像进行处理，在频域的处理会反映在逆变换的图像上

52. numpy实现逆傅里叶变换

numpy.fft.ifft2

  • 实现逆傅里叶变换，返回一个复数数组（complex ndarray)

numpy.fft.ifftshifr

  • fftshift函数的逆函数
  • （将整个图像的低频移到左上角）

iimg = np.abs( 逆傅里叶变换结果 )

  • 设置值的范围
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\boat.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)  #将低频移到中心
ishift = np.fft.ifftshift(fshift)  #将中心移到左上角
iimg = np.fft.fft2(ishift) #返回的是复数，无法显示
iimg = np.abs(iimg) #转换为绝对值
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('iimg'),plt.axis('off')
plt.show()

53. 高通滤波演示

  • 低频、高频

    • 低频对应图像内变化缓慢的灰度分量。例如，在一幅大草原的图像中，低频对应着广袤的颜色趋于一致的草原。
    • 高频对应图像内变化越来越快的灰度分量，是由灰度的尖锐过渡造成的。例如，在一幅大草原的图像中，其中狮子的边缘等信息。
    • 衰减高频而通过低频，低通滤波器，将模糊一幅图像。
    • 衰减低频而通过高频，高通滤波器，将增强尖锐细节，但是会导致图像的对比度降低。

  • 滤波

    • 接受（通过）或者拒绝一定频率的分量
    • 通过低频的滤波器称为低通滤波器
    • 通过高频的滤波器称为高通滤波器

  • 频域滤波

    • 修改傅里叶变换以达到特殊目的，然后计算 IDFT 返回到图像域。

    • 特殊目的： 图像增强、图像去噪、边缘检测、特征提取、压缩、加密等。

  • 高通滤波器（去掉低频）

    rows, cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
fshift[crow - 30:corw + 30, ccol - 30:ccol + 30] = 0

    import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)  #将低频移到中心
rows, cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
fshift[crow - 30:corw + 30, ccol - 30:ccol + 30] = 0
ishift = np.fft.ifftshift(fshift)  #将中心移到左上角
iImg = np.fft.fft2(ishift) #返回的是复数，无法显示
iImg = np.abs(iImg) #转换为绝对值
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('iimg'),plt.axis('off')
plt.show()

54. OpenCV实现傅里叶变换

返回结果 = cv2.dft(原始图像， 转换标识)

  • 返回结果
    • 是双通道的
    • 第1个通道是结果的实数部分
    • 第2个通道是结果的虚数部分
  • 原始图像： 输入图像要首先转换成np.float32格式。 np.float32(img)
  • 转换标识: flags = cv2.DFT_COMPLEX_OUTPUT, 输出一个复数阵列。

返回值 = cv2.magnitude( 参数1， 参数2 )

  • 计算幅值

    • 参数1： 浮点型X坐标值， 也就是实部

    • 参数2： 浮点型Y坐标值， 也就是虚部

      $dst( I ) = \sqrt{x(I) ^2 + y( I ) ^2} $

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) #傅里叶变换
dfshift = np.fft.fftshift(dft)  #平移
result = 20*np.log(cv2.magnitude( dftShift[:,:,0]， dftShitft[:,:,1] ))  #计算幅度
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('result'),plt.axis('off')
plt.show()

55. OpenCV实现逆傅里叶变换

返回结果 = cv2.idft( 原始数据 )

  • 返回结果： 取决于原始数据的类型和大小
  • 原始数据： 实数或复数均可

返回值 = cv2.magnitude ( 参数1， 参数2 )

  • 计算幅值
    • 参数1： 浮点型X坐标值， 也就是实部
    • 参数2： 浮点型Y坐标值， 也就是虚部

​ $dst( I ) = \sqrt{x(I) ^2 + y( I ) ^2} $

numpy.fft.ifftshift

  • fftshift函数的逆函数
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) #傅里叶变换
dfshift = np.fft.fftshift(dft)  #平移
ishift = np.fft.ifftshift(dfshift) #移动
iImg = cv2.idft(ishift)
iImg = cv2.magnitude( iImg[:,:,0]， iImg[:,:,1] ))  #计算幅度
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('inverse'),plt.axis('off') # 显示逆变换结果
plt.show()

56. 低通滤波示例

低通滤波器 x 频谱图像 = 滤波结果图像

  • 生成代码

    rows, cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
mask = np.zeros((rows, cols, 2), np.unit8)
mask[crow - 30:corw + 30, ccol - 30:ccol + 30] = 1

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) #傅里叶变换
dfshift = np.fft.fftshift(dft)  #平移
rows, cols = img.shape
crow,ccol = int(rows/2),int(cols/2)
mask = np.zeros((rows, cols, 2), np.unit8) #构造掩膜图像
fshift[crow - 30:corw + 30, ccol - 30:ccol + 30] = 1
fShift = dftShift*mask #滤波
ishift = np.fft.ifftshift(fShift)  #将中心移到左上角
iImg = cv2.idft(ishift) #返回的是复数，无法显示
iImg = cv2.magnitude( iImg[:,:,0]， iImg[:,:,1] ) #计算幅度
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('iimg'),plt.axis('off')
plt.show()
posted @ 2022-08-03 11:11  Hecto  阅读(192)  评论(0)    收藏  举报