当前位置: 首页 > news >正文

问题三十四:傅立叶变换——高通滤波

在这里插入图片描述
高通滤波器是一种可以通过去除图像低频信息来增强高频信息的滤波器。在图像处理中,高通滤波器常常用于去除模糊或平滑效果,以及增强边缘或细节。在本篇回答中,我们将使用Python和OpenCV实现高通滤波器。

Step 1:加载图像并进行傅立叶变换

首先,我们需要加载图像并将其转换为灰度图像。然后,我们使用numpy的fft2函数进行二维傅立叶变换,并使用numpy的fftshift函数将频谱中心移到图像中心。最后,我们使用numpy的log函数计算幅度谱的对数值,并使用opencv的normalize函数将其缩放到0到255之间的整数范围内。

以下是完整的Python代码:

import numpy as np
import cv2
import matplotlib.pyplot as plt# 加载图像并将其转换为灰度图像
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 进行二维傅立叶变换
dft = np.fft.fft2(gray)
dft_shift = np.fft.fftshift(dft)# 计算幅度谱并进行对数变换
magnitude_spectrum = 20 * np.log(np.abs(dft_shift))# 将幅度谱缩放到0到255的整数范围内
magnitude_spectrum = cv2.normalize(magnitude_spectrum, None, 0, 255, cv2.NORM_MINMAX, dtype=cv2.CV_8U)

解释:

  • Step 1.1:我们使用cv2.imread函数加载图像,并使用cv2.cvtColor函数将其转换为灰度图像。
  • Step 1.2:我们使用np.fft.fft2函数对灰度图像进行二维傅立叶变换。
  • Step 1.3:我们使用np.fft.fftshift函数将频谱中心移到图像中心。
  • Step 1.4:我们使用np.abs函数计算频谱的幅度,并使用np.log函数进行对数变换。
  • Step 1.5:我们使用cv2.normalize函数将幅度谱缩放到0到255之间的整数范围内。

Step 2:设计高通滤波器并应用

在本例中,我们将使用巴特沃斯高通滤波器来过滤频谱。巴特沃斯高通滤波器可以被描述为一个阶数和半径的函数,我们需要选择这些参数来调整滤波器的性能。阶数越高,滤波器的陡峭程度就越高,但会导致图像失真。半径越小,滤波器去除的低频信息就越多。

我们将使用cv2.getOptimalDFTSize函数获取最佳的离散傅里叶变换尺寸,以便在后续计算中避免频谱的失真。接下来,我们将使用cv2.filter2D函数将高通滤波器应用于频谱图像,并将其保存为变量filtered_spectrum

以下是完整的Python代码:

# 设计高通滤波器并应用
rows, cols = gray.shape
crow, ccol = rows // 2, cols // 2
R = 60
n = 2
D_0 = R / ((rows ** 2 + cols ** 2) ** 0.5)# 创建巴特沃斯高通滤波器
butterworth_highpass = np.zeros((rows, cols), dtype=np.float32)
for i in range(rows):for j in range(cols):distance = ((i - crow) ** 2 + (j - ccol) ** 2) ** 0.5butterworth_highpass[i, j] = 1 / (1 + (distance / D_0) ** (2 * n))# 将高通滤波器应用于频谱图像
filtered_spectrum = butterworth_highpass * dft_shift
filtered_spectrum = np.fft.ifftshift(filtered_spectrum)

解释:

  • Step 2.1:我们获取图像的行和列数,并计算其中心坐标。
  • Step 2.2:我们选择半径R和阶数n作为巴特沃斯高通滤波器的参数,并计算截止频率D_0
  • Step 2.3:我们使用两个嵌套的for循环来创建一个与输入图像大小相同的数组butterworth_highpass,并为每个像素计算对应的高通滤波器值。
  • Step 2.4:我们使用np.fft.ifftshift函数将频谱中心移回原来的位置。

Step 3:进行傅立叶逆变换并显示结果

最后一步是将处理后的频谱图像进行逆变换,并将结果保存为变量filtered_image。我们使用opencv的normalize函数将结果缩放到0到255之间的整数范围内,并使用matplotlib的imshow函数显示结果。

# 进行傅立叶逆变换并显示结果
filtered_image = cv2.idft(filtered_spectrum)
filtered_image = cv2.magnitude(filtered_image[:, :, 0], filtered_image[:, :, 1])
filtered_image = cv2.normalize(filtered_image, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)plt.imshow(filtered_image, cmap='gray')
plt.title('High Pass Filtered Image')
plt.show()

解释:

  • Step 3.1:我们使用cv2.idft函数将经过高通滤波器处理的频谱进行傅里叶逆变换,以便将其转换回图像域。
  • Step 3.2:我们使用cv2.magnitude函数计算逆变换结果的幅值,并保存在变量filtered_image中。
  • Step 3.3:我们使用cv2.normalize函数将结果缩放到0到255之间的整数范围内,并将其转换为8位无符号整数。
  • Step 3.4:我们使用matplotlib.pyplot.imshow函数显示结果,并添加一个标题。

完整的Python代码如下:

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像并转换为灰度图像
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)# 进行离散傅里叶变换
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)# 设计高通滤波器并应用
rows, cols = img.shape
crow, ccol = rows // 2, cols // 2
R = 60
n = 2
D_0 = R / ((rows ** 2 + cols ** 2) ** 0.5)# 创建巴特沃斯高通滤波器
butterworth_highpass = np.zeros((rows, cols), dtype=np.float32)
for i in range(rows):for j in range(cols):distance = ((i - crow) ** 2 + (j - ccol) ** 2) ** 0.5butterworth_highpass[i, j] = 1 / (1 + (distance / D_0) ** (2 * n))# 将高通滤波器应用于频谱图像
filtered_spectrum = butterworth_highpass * dft_shift
filtered_spectrum = np.fft.ifftshift(filtered_spectrum)# 进行傅立叶逆变换并显示结果
filtered_image = cv2.idft(filtered_spectrum)
filtered_image = cv2.magnitude(filtered_image[:, :, 0], filtered_image[:, :, 1])
filtered_image = cv2.normalize(filtered_image, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)plt.imshow(filtered_image, cmap='gray')
plt.title('High Pass Filtered Image')
plt.show()

这个程序将在窗口中显示过滤后的图像,并保存为当前目录中的文件。

相关文章:

问题三十四:傅立叶变换——高通滤波

高通滤波器是一种可以通过去除图像低频信息来增强高频信息的滤波器。在图像处理中,高通滤波器常常用于去除模糊或平滑效果,以及增强边缘或细节。在本篇回答中,我们将使用Python和OpenCV实现高通滤波器。 Step 1:加载图像并进行傅…...

flink 键控状态(keyed state)

github开源项目flink-note的笔记。本博客的实现代码都写在项目的flink-state/src/main/java/state/keyed/KeyedStateDemo.java文件中。 项目github地址: github 1. flink键控状态 flink键控状态是作用与flink KeyedStream上的,也就是说需要将DataStream先进行keyby之后才能使…...

【ChatGPT】sqlachmey 多表连表查询语句

感受下科技带来的魅力,这篇文章是通过ChatGPT自动生成的,不得不说技术强大!!! 在SQLAlchemy中进行多表连接查询可以使用join()方法或join()函数,具体用法如下: join()方法 join()方法可以在SQLAlchemy ORM中的查询中使用。假设…...

win11 系统登录问题,PIN 设置问题

我的电脑配置是华为MateBook X Pro 12,i7处理器,16G,1T,win11 系统通过微软账户登录,下午一直登录不进去,网络能连外网,分析应该是连微软服务器不行。连续登录几十次,偶尔可能有一次…...

数据结构六大排序

1.插入排序 思路: 从第一个元素开始认为是有序的,去一个元素tem从有序序列从后往前扫描,如果该元素大于tem,将该元素一刀下一位,循环步骤3知道找到有序序列中小于等于的元素将tem插入到该元素后,如果已排序…...

快速生成QR码的方法:教你变成QR Code Master

目录 简介: 具体实现步骤: 一、可以使用Python中的qrcode和tkinter模块来生成QR码。以下是一个简单的例子,演示如何在Tkinter窗口中获取用户输入并使用qrcode生成QR码。 1)首先需要安装qrcode模块,可以使用以下命令在终端或命令…...

tensorflow1.14.0安装教程--保姆级

//方法不止一种,下面仅展示一种。 注:本人电脑为win11,anaconda的python版本为3.9,但tensorflow需要python版本为3.7,所以下面主要阐述将python版本改为3.7后的安装过程以及常遇到的问题。 1.首先电脑安装好anaconda…...

AcWing算法提高课-3.1.3香甜的黄油

宣传一下算法提高课整理 <— CSDN个人主页&#xff1a;更好的阅读体验 <— 题目传送门点这里 题目描述 农夫John发现了做出全威斯康辛州最甜的黄油的方法&#xff1a;糖。 把糖放在一片牧场上&#xff0c;他知道 N 只奶牛会过来舔它&#xff0c;这样就能做出能卖好价…...

私库搭建1:Nexus 安装 Docker 版

本文内容以语雀为准 文档 https://hub.docker.com/r/sonatype/nexus3Docker 安装&#xff1a;https://www.yuque.com/xuxiaowei-com-cn/gitlab-k8s/docker-install 安装 创建文件夹 由于 Nexus 的数据可能会很大&#xff0c;比如&#xff1a;作为 Docker、Maven 私库时&…...

LeetCode-面试题 05.02. 二进制数转字符串【数学,字符串,位运算】

LeetCode-面试题 05.02. 二进制数转字符串【数学&#xff0c;字符串&#xff0c;位运算】题目描述&#xff1a;解题思路一&#xff1a;简单暴力。小数点后面的二进制&#xff0c;now首先从0.5开始之和每次除以2。然后依次判断当前数是否大于now&#xff0c;是则答案加1。若等于…...

pandas: 三种算法实现递归分析Excel中各列相关性

目录 前言 目的 思路 代码实现 1. 循环遍历整个SDGs列&#xff0c;两两拿到数据 2. 调用pandas库函数直接进行分析 完整源码 运行效果 总结 前言 博主之前刚刚被学弟邀请参与了2023美赛&#xff0c;这也是第一次正式接触数学建模竞赛&#xff0c;现在已经提交等待结果…...

【Python百日进阶-Web开发-Vue3】Day543 - Vue3 商城后台 03:登录页面初建

文章目录 一、创建登录页面 login.vue二、登录页面响应式处理,以适应不同大小的屏幕2.1 element-plus 的layout布局中关于响应式的说明2.2 修改login.vue文件2.2.1 :lg=16 大于1200px 横排 2:12.2.2 :md=12 大于992小于1200px 横排 1:12.2.3 小于992 竖排三、引入Element-plus…...

python画直方图,刻画数据分布

先展示效果 准备一维数据 n 个数据元素计算最大值&#xff0c;最小值、均值、标准差、以及直方图分组 import numpy as np data list() for i in range(640):data.append(np.random.normal(1)) print(data)z np.histogram(data, bins64) print(list(z[0])) ### 对应 x 轴数据…...

几何学小课堂:非欧几何(广义相对论采用黎曼几何作为数学工具)【学数学关键是要学会在什么情况下,知道使用什么工具。】

文章目录 引言I 非欧几何1.1 黎曼几何1.2 共形几何1.3 罗氏几何II 黎曼几何的应用2.1 广义相对论2.2 超弦III 理解不同的几何体系的共存3.1 更扎实的欧氏几何3.2 殊途同归引言 公理有错会得到两种情况: 如果某一条自己设定的新公理和现有的公理相矛盾,那么相应的知识体系就建…...

Ubuntu配置静态IP的方法

Ubuntu配置静态IP的方法前言一、查看虚机分配的网卡IP二、查看网卡的网关IP三、配置静态IP1.配置IPv4地址2.执行netplan apply使改动生效3.配置的网卡未生效&#xff0c;修改50-cloud-init.yaml文件解决4.测试vlan网络通信总结前言 Ubuntu18.04 欧拉环境 vlan网络支持ipv6场景…...

90%的人都不算会爬虫,这才是真正的技术,从0到高手的进阶

很多人以为学会了urlib模块和xpath等几个解析库&#xff0c;学了Selenium就会算精通爬虫了&#xff0c;但到外面想靠爬虫技术接点私活&#xff0c;才发现寸步难行。 龙叔我做了近20年的程序员&#xff0c;今天就告诉你&#xff0c;真正的爬虫高手应该学哪些东西&#xff0c;就…...

排序之损失函数List-wise loss(系列3)

排序系列篇&#xff1a; 排序之指标集锦(系列1)原创 排序之损失函数pair-wise loss(系列2)排序之损失函数List-wise loss(系列3) 最早的关于list-wise的文章发表在Learning to Rank: From Pairwise Approach to Listwise Approach中&#xff0c;后面陆陆续续出了各种变形&#…...

js对象和原型、原型链的关系

JS的原型、原型链一直是比较难理解的内容&#xff0c;不少初学者甚至有一定经验的老鸟都不一定能完全说清楚&#xff0c;更多的"很可能"是一知半解&#xff0c;而这部分内容又是JS的核心内容&#xff0c;想要技术进阶的话肯定不能对这个概念一知半解&#xff0c;碰到…...

【SpringBoot高级篇】SpringBoot集成Sharding-JDBC分库分表

【SpringBoot高级篇】SpringBoot集成Sharding-JDBC分库分表Apache ShardingSphere分库分表分库分表的方式垂直切分垂直分表垂直分库水平切分水平分库水平分表分库分表带来的问题分库分表中间件Sharding-JDBCsharding-jdbc实现水平分表sharding-jdbc实现水平分库sharding-jdbc实…...

Shell特殊字符

shell语言&#xff0c;一些字符是有特殊意义的。 根据作用分为几种特殊符号 一、空白 shell调用函数&#xff0c;不像c语言那样用把参数放到括号里&#xff0c;用逗号分隔。而是用空格作为参数之间&#xff0c;参数与函数名之间的分隔符。 换行符也是特殊字符。换行符用作一条命…...

国防科技大学计算机基础课程笔记02信息编码

1.机内码和国标码 国标码就是我们非常熟悉的这个GB2312,但是因为都是16进制&#xff0c;因此这个了16进制的数据既可以翻译成为这个机器码&#xff0c;也可以翻译成为这个国标码&#xff0c;所以这个时候很容易会出现这个歧义的情况&#xff1b; 因此&#xff0c;我们的这个国…...

rknn优化教程(二)

文章目录 1. 前述2. 三方库的封装2.1 xrepo中的库2.2 xrepo之外的库2.2.1 opencv2.2.2 rknnrt2.2.3 spdlog 3. rknn_engine库 1. 前述 OK&#xff0c;开始写第二篇的内容了。这篇博客主要能写一下&#xff1a; 如何给一些三方库按照xmake方式进行封装&#xff0c;供调用如何按…...

【JavaEE】-- HTTP

1. HTTP是什么&#xff1f; HTTP&#xff08;全称为"超文本传输协议"&#xff09;是一种应用非常广泛的应用层协议&#xff0c;HTTP是基于TCP协议的一种应用层协议。 应用层协议&#xff1a;是计算机网络协议栈中最高层的协议&#xff0c;它定义了运行在不同主机上…...

基于Flask实现的医疗保险欺诈识别监测模型

基于Flask实现的医疗保险欺诈识别监测模型 项目截图 项目简介 社会医疗保险是国家通过立法形式强制实施&#xff0c;由雇主和个人按一定比例缴纳保险费&#xff0c;建立社会医疗保险基金&#xff0c;支付雇员医疗费用的一种医疗保险制度&#xff0c; 它是促进社会文明和进步的…...

macOS多出来了:Google云端硬盘、YouTube、表格、幻灯片、Gmail、Google文档等应用

文章目录 问题现象问题原因解决办法 问题现象 macOS启动台&#xff08;Launchpad&#xff09;多出来了&#xff1a;Google云端硬盘、YouTube、表格、幻灯片、Gmail、Google文档等应用。 问题原因 很明显&#xff0c;都是Google家的办公全家桶。这些应用并不是通过独立安装的…...

Xen Server服务器释放磁盘空间

disk.sh #!/bin/bashcd /run/sr-mount/e54f0646-ae11-0457-b64f-eba4673b824c # 全部虚拟机物理磁盘文件存储 a$(ls -l | awk {print $NF} | cut -d. -f1) # 使用中的虚拟机物理磁盘文件 b$(xe vm-disk-list --multiple | grep uuid | awk {print $NF})printf "%s\n"…...

如何更改默认 Crontab 编辑器 ?

在 Linux 领域中&#xff0c;crontab 是您可能经常遇到的一个术语。这个实用程序在类 unix 操作系统上可用&#xff0c;用于调度在预定义时间和间隔自动执行的任务。这对管理员和高级用户非常有益&#xff0c;允许他们自动执行各种系统任务。 编辑 Crontab 文件通常使用文本编…...

在树莓派上添加音频输入设备的几种方法

在树莓派上添加音频输入设备可以通过以下步骤完成&#xff0c;具体方法取决于设备类型&#xff08;如USB麦克风、3.5mm接口麦克风或HDMI音频输入&#xff09;。以下是详细指南&#xff1a; 1. 连接音频输入设备 USB麦克风/声卡&#xff1a;直接插入树莓派的USB接口。3.5mm麦克…...

华为OD最新机试真题-数组组成的最小数字-OD统一考试(B卷)

题目描述 给定一个整型数组,请从该数组中选择3个元素 组成最小数字并输出 (如果数组长度小于3,则选择数组中所有元素来组成最小数字)。 输入描述 行用半角逗号分割的字符串记录的整型数组,0<数组长度<= 100,0<整数的取值范围<= 10000。 输出描述 由3个元素组成…...

FFmpeg avformat_open_input函数分析

函数内部的总体流程如下&#xff1a; avformat_open_input 精简后的代码如下&#xff1a; int avformat_open_input(AVFormatContext **ps, const char *filename,ff_const59 AVInputFormat *fmt, AVDictionary **options) {AVFormatContext *s *ps;int i, ret 0;AVDictio…...