【基础】低通滤波与高通滤波

1.低通滤波

在一幅图像内，低频信号对应图像内变化缓慢的灰度分量。图像进行低通滤波后会变模糊。

图片1

实现的中间步骤:

图片1

然后，将其与频谱图像进行运算，实现低通滤波。这里采用的运算形式是：

图片1

程序演示

import cv2
import numpy as np
import matplotlib.pyplot as plt

img=cv2.imread('lena.jpg',0)
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)

rows,cols=img.shape  #算一下长和宽
crow,ccol=int(rows/2),int(cols/2)  #中心位置
mask=np.zeros((rows,cols,2),np.uint8) #构造数组
mask[crow-30:crow+30,ccol-30:ccol+30]=0 #以中心为原点，左取30，右取，上取30，下取30,设置成0

fshift=dft_shift*mask
ishift=np.fft.ifftshift(fshift)

img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) #实虚部转换

plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('inverse'),plt.axis('off')
plt.show()

图片1

2.高通滤波

高通滤波:将中心低频的部分去掉，保留图像边界信息，使图像细节增强。

实现的中间步骤:

图片1

然后，将其与频谱图像进行运算，实现高通滤波。这里采用的运算形式同上：

图片1

程序演示

import cv2
import numpy as np
import matplotlib.pyplot as plt

img=cv2.imread('lena.jpg',0)
dft=cv2.dft(img_float32,flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift=np.fft.fftshift(dft)

rows,cols=img.shape  #算一下长和宽
crow,ccol=int(rows/2),int(cols/2)  #中心位置
mask=np.ones((rows,cols,2),np.uint8) #构造数组
mask[crow-30:crow+30,ccol-30:ccol+30]=0 #以中心为原点，左取30，右取，上取30，下取30,设置成0

fshift=dft_shift*mask
ishift=np.fft.ifftshift(fshift)

img_back=cv2.idft(f_ishift)
img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1]) #实虚部转换

plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(img_back,cmap='gray')
plt.title('inverse'),plt.axis('off')
plt.show()

图片1