OpenCv图像处理: 时域滤波与频域滤波

时域滤波:

空间域滤波的步骤一般如下:

1. 选择滤波器

选择一种低通滤波器,常见的包括:

  • 均值滤波(平均滤波器)
  • 高斯滤波(Gaussian filter)

2. 定义滤波器核

根据选择的滤波器类型,定义相应的滤波器核。例如,对于高斯滤波,可以使用高斯函数创建一个二维核。

3. 图像边界处理

决定如何处理图像边界。常见的方法有:

  • 零填充(Zero padding)
  • 镜像扩展(Mirror padding)

4. 卷积操作

对图像应用滤波器,通常使用卷积操作。具体步骤如下:

  • 对图像中的每一个像素,使用滤波器核计算加权和。
  • 替换图像中当前像素的值为加权和的结果。
python 复制代码
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('image.jpg')

# 定义均值滤波器核 lp
#kernel_size = 5
#kernel = np.ones((kernel_size, kernel_size), np.float32) / (kernel_size * kernel_size)

# 拉普拉斯卷积核 hp
kernel = np.array([[0, -1, 0],
                   [-1, 4, -1],
                   [0, -1, 0]])

# 应用卷积
low_pass_filtered = cv2.filter2D(image, -1, kernel)

# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.subplot(1, 2, 2)
plt.title('Low Pass Filtered Image (Spatial Domain)')
plt.imshow(cv2.cvtColor(low_pass_filtered, cv2.COLOR_BGR2RGB))
plt.axis('off')

plt.tight_layout()
plt.show()

频域滤波:

频域低通滤波的步骤通常如下:

1. 傅里叶变换

将图像从时域转换到频域。使用快速傅里叶变换(FFT)来实现。

2. 中心化傅里叶频谱

将频谱中心化,以便高频成分位于中心位置,便于创建滤波器。

3. 创建低通滤波器

设计一个低通滤波器,例如:

  • 理想低通滤波器:保留中心圆内的频率,抑制外部频率。
  • 高斯低通滤波器:根据高斯函数构建一个平滑的低通滤波器。

4. 应用低通滤波器

将低通滤波器应用于中心化后的频谱,通常通过逐元素相乘实现。

5. 逆傅里叶变换

对经过低通滤波的频谱进行逆傅里叶变换,将其转换回时域。

python 复制代码
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('image.jpg', 0)  # 以灰度图读取
# image = cv2.resize(image, (512, 512))  # 调整大小,方便处理

# 进行傅里叶变换
dft = np.fft.fft2(image)
dft_shift = np.fft.fftshift(dft)

# 获取图像尺寸
rows, cols = image.shape
crow, ccol = rows // 2, cols // 2


# # 创建高斯低通滤波器
# def gaussian_lowpass(rows, cols, cutoff):
#     x = np.arange(0, cols)
#     y = np.arange(0, rows)
#     x, y = np.meshgrid(x, y)
#     gaussian = np.exp(-((x - ccol) ** 2 + (y - crow) ** 2) / (2 * (cutoff ** 2)))
#     return gaussian
#
# cutoff_radius = 30
# mask = gaussian_lowpass(rows, cols, cutoff_radius)

# 创建理想高通滤波器
cutoff_radius = 30 # 设置截止频率(低频成分被抑制的半径)
mask = np.ones((rows, cols), np.uint8)
x, y = np.ogrid[0:rows, 0:cols]
center = (crow, ccol)
mask[(x - center[0])**2 + (y - center[1])**2 <= cutoff_radius**2] = 0

# 应用低通滤波器
filtered_dft = dft_shift * mask  # 时域卷积=频域相乘

# 进行逆傅里叶变换
filtered_image = np.fft.ifft2(np.fft.ifftshift(filtered_dft))
filtered_image = np.abs(filtered_image)

# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.title('Low Pass Filtered Image (Frequency Domain)')
plt.imshow(filtered_image, cmap='gray')
plt.axis('off')

plt.tight_layout()
plt.show()

cutoff_radius = 30 在频域高通滤波的上下文中指的是截止频率。具体而言,它代表了在频域中,低频成分被抑制的半径。

解释:

高通滤波器:当频率小于这个截止半径的频率成分会被滤除,而高于这个半径的成分会被保留。

单位:这个参数的单位通常与图像的尺寸相关,表示频谱中距离中心点的距离。

效果:

选择合适的截止频率非常重要,过低的截止频率会导致图像细节丢失,而过高的截止频率可能保留过多噪声。

相关推荐
铭keny14 分钟前
YOLO11 目标检测从安装到实战
人工智能·目标检测·目标跟踪
presenttttt15 分钟前
用Python和OpenCV从零搭建一个完整的双目视觉系统(四)
开发语言·python·opencv·计算机视觉
杨小扩6 小时前
第4章:实战项目一 打造你的第一个AI知识库问答机器人 (RAG)
人工智能·机器人
whaosoft-1436 小时前
51c~目标检测~合集4
人工智能
雪兽软件6 小时前
2025 年网络安全与人工智能发展趋势
人工智能·安全·web安全
元宇宙时间7 小时前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人20257 小时前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶
ZStack开发者社区8 小时前
首批 | 云轴科技ZStack加入施耐德电气技术本地化创新生态
人工智能·科技·云计算
千宇宙航8 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第六课——测试图案的FPGA实现
图像处理·计算机视觉·fpga开发
X Y O9 小时前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习