前言

本章講講解圖像處理相關(guān)內(nèi)容，包括圖像金字塔、圖像輪廓模板提取、直方圖、圖像傅里葉變換等。

一、圖像金字塔

• 含義： 圖像金字塔是一種用于圖像處理和計(jì)算機(jī)視覺的技術(shù)。它是一系列圖像的集合，其中每個(gè)圖像比前一個(gè)圖像分辨率更低, 從而形成一種金字塔形的結(jié)構(gòu)。這些圖像可以由同一圖像的不同分辨率版本生成，也可以是不同圖像之間的掃描和縮小。
• 作用： 在圖像增強(qiáng)中，可以將圖像分解為一系列不同分辨率的圖像，然后對(duì)每個(gè)分辨率級(jí)別的圖像進(jìn)行處理，最終將它們合成為一張?jiān)鰪?qiáng)后的圖像。在圖像檢測(cè)中，可以使用金字塔技術(shù)進(jìn)行對(duì)象的尺度不變性檢測(cè)。在目標(biāo)跟蹤中，可以在不同的尺度上搜索目標(biāo)。
  

1.高斯金字塔

• 向下采樣（縮小 圖片）：
  1. 首先進(jìn)行高斯濾波
  2. 去除偶數(shù)的行、列
• 向上采樣（放大圖片）：
  1. 用零填充偶數(shù)行、列
     [ 10 30 56 96 ] ? [ 10 0 30 0 0 0 0 0 56 0 96 0 0 0 0 0 ] \begin{bmatrix} 10& 30\\ 56&96\end{bmatrix}\Rightarrow \begin{bmatrix} 10 & 0 & 30 & 0\\ 0& 0 & 0 & 0\\ 56& 0& 96 &0 \\ 0& 0& 0&0\end{bmatrix} [1056?3096?]? ?100560?0000?300960?0000? ?
  2. 對(duì)放大的圖片進(jìn)行高斯卷積，從而可對(duì)零值進(jìn)行填充

# 向上采樣
cv2.pyrUp(src[, dst[, dstsize[, borderType]]]) -> dst
# 向下采樣
cv2.pyrDown(src[, dst[, dstsize[, borderType]]]) -> dst

2.拉普拉斯金字塔

$$I_{i+1}=I_i?PyrUp(pyrDown(I_i))$$
執(zhí)行上面的公式，就能得到每一層的圖像。

拉普拉斯金字塔和高斯金字塔是圖像金字塔的兩個(gè)重要概念，它們之間有以下不同點(diǎn)：

1. 算法步驟不同：高斯金字塔是由原始圖像不斷進(jìn)行下采樣（降分辨率）和高斯濾波得到的，每次下采樣都將圖像的尺寸減半。而拉普拉斯金字塔則是由高斯金字塔依次上采樣（放大）和減去對(duì)應(yīng)的低分辨率圖像得到的。

2. 不同的金字塔目的：高斯金字塔主要用于圖像降采樣（縮小）和尺度空間分析，可以用于圖像的尺度不變性特征描述，如SIFT、SURF算法等。拉普拉斯金字塔則主要用于對(duì)圖像進(jìn)行增強(qiáng)、邊緣檢測(cè)和圖像融合等操作。

3. 金字塔層數(shù)和大?。焊咚菇鹱炙膶訑?shù)與原始圖像的大小有關(guān)，尺寸越大，高斯金字塔的層數(shù)也就越多。而拉普拉斯金字塔通常與高斯金字塔大小相同，因?yàn)樗怯筛咚菇鹱炙玫降摹?/p>

4. 局部特征信息：盡管可逆性和單尺度不變性有用，但僅僅用于描述局部特征時(shí)可能不夠準(zhǔn)確。因此，拉普拉斯金字塔通常能夠提供比高斯金字塔更豐富的局部特征信息。

因此，根據(jù)不同的應(yīng)用場(chǎng)景，可以選擇高斯金字塔或拉普拉斯金字塔等適合的金字塔結(jié)構(gòu)來處理圖像。

二、圖像輪廓

1. 輪廓提取

contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

其中：

• image：輸入的圖像，應(yīng)該是二值圖像，每個(gè)像素的值要么為0，要么為255，表示前景和背景兩種顏色。
• mode：輪廓檢索模式，是一個(gè)枚舉值，取值范圍包括：
  • cv2.RETR_EXTERNAL：只檢測(cè)最外層的輪廓，即只返回邊緣輪廓；
  • cv2.RETR_LIST：檢測(cè)所有的輪廓，并返回其完整的列表；
  • cv2.RETR_CCOMP：檢測(cè)所有的輪廓，但只返回兩級(jí)輪廓結(jié)構(gòu)，即外層輪廓和內(nèi)層輪廓；
  • cv2.RETR_TREE：檢測(cè)所有的輪廓，并返回完整的輪廓樹結(jié)構(gòu)。
• method：輪廓近似方法，是一個(gè)枚舉值，取值范圍包括：
  • cv2.CHAIN_APPROX_NONE：存儲(chǔ)所有的輪廓點(diǎn)，每個(gè)點(diǎn)的坐標(biāo)（x,y）都存儲(chǔ)；
  • cv2.CHAIN_APPROX_SIMPLE：僅保留輪廓的端點(diǎn)，只需存儲(chǔ)它們的坐標(biāo)即可，例如矩形輪廓僅需要4個(gè)點(diǎn)的坐標(biāo)即可。
• contours：輸出參數(shù)，返回檢測(cè)到的輪廓，每個(gè)輪廓是一個(gè)由像素坐標(biāo)表示的Numpy數(shù)組。
• hierarchy：輸出參數(shù)，返回輪廓的層級(jí)關(guān)系，每個(gè)輪廓由4個(gè)值(父級(jí)輪廓編號(hào)，下一級(jí)輪廓編號(hào)，第一個(gè)子級(jí)輪廓編號(hào)，前一個(gè)兄弟輪廓編號(hào))表示。
  hierarchy的理解

2. 輪廓繪制

cv2.drawContours()是OpenCV提供的一個(gè)函數(shù)，能夠在圖像中繪制輪廓。

該函數(shù)的語(yǔ)法如下：

cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

參數(shù)解釋如下：

• image: 要繪制輪廓的圖像。
• contours: 一個(gè)由輪廓點(diǎn)集組成的列表，可以通過cv2.findContours()函數(shù)獲取。該參數(shù)可以是一個(gè)單獨(dú)的輪廓(Point集合)，也可以是多個(gè)輪廓的列表。
• contourIdx: 指定要繪制的輪廓的編號(hào)。如果是負(fù)數(shù)，則表示要繪制所有的輪廓。
• color: 輪廓顏色，可以是RGB元組或BGR元組。
• thickness: 輪廓線條粗細(xì)，默認(rèn)值為1.
• lineType: 線條類型，默認(rèn)值為8-connectivity（即cv2.LINE_8），也可以設(shè)置為4-connectivity（即cv2.LINE_4）或CV_AA。
• hierarchy: 輪廓層級(jí)信息，可選參數(shù)。
• maxLevel: 可以繪制的輪廓的最大級(jí)別，可選參數(shù)。
• offset: 輪廓計(jì)算的偏移量，可選參數(shù)。

3. 輪廓特征

在OpenCV中，對(duì)于圖像中的輪廓，有許多特征可以用來描述和分析這些輪廓。下面列出了一些主要的輪廓特征：

1. 輪廓面積：輪廓曲線所包含的面積大小，可以用cv2.contourArea()函數(shù)計(jì)算。

2. 輪廓周長(zhǎng)：輪廓曲線的長(zhǎng)度，可以用cv2.arcLength()函數(shù)計(jì)算。

3. 輪廓近似：通過降低輪廓點(diǎn)數(shù)目來近似表示輪廓形狀，可以用cv2.approxPolyDP()函數(shù)進(jìn)行處理。

4. 輪廓重心：輪廓曲線所包含區(qū)域的質(zhì)心點(diǎn)坐標(biāo)，可以用cv2.moments()函數(shù)計(jì)算。

5. 輪廓方向：輪廓曲線的方向，可以用cv2.fitEllipse()或cv2.minAreaRect()函數(shù)分別擬合橢圓或矩形來計(jì)算。

6. 輪廓凸包：包含輪廓曲線所有點(diǎn)的凸邊形，可以用cv2.convexHull()函數(shù)計(jì)算。

7. 輪廓缺陷：凸包與輪廓曲線之間的差距，可以用cv2.convexityDefects()函數(shù)計(jì)算。

這些輪廓特征可以結(jié)合使用，用來分析圖像中的輪廓形狀和特征。在實(shí)際應(yīng)用中，輪廓特征常常被用來進(jìn)行目標(biāo)檢測(cè)、圖像分類和圖像識(shí)別等任務(wù)。

4. 輪廓近似

• 原理：
  首先連接A、B兩點(diǎn)，然后在弧線AB上找一點(diǎn)，使得該點(diǎn)到直線AB上的距離最大，記該點(diǎn)為C，該距離為d，若d小于指定的數(shù)值，則用直線AB代替弧線AB，否則則以C為中間點(diǎn)，再分別判斷弧線AC與弧線CB的近似。

在OpenCV中，cv2.approxPolyDP()函數(shù)可以對(duì)輪廓進(jìn)行近似處理，以減少輪廓點(diǎn)的數(shù)量，簡(jiǎn)化輪廓曲線，從而提高圖像處理的效率。該函數(shù)的語(yǔ)法如下：

cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])

參數(shù)解釋如下：

• curve: 輸入的輪廓，一般是一個(gè)由點(diǎn)組成的列表或Numpy數(shù)組。
• epsilon: 指定近似程度，即對(duì)輪廓的最大誤差。如果指定的距離小于epsilon，那么就會(huì)被認(rèn)為是同一曲線上的點(diǎn)。
• closed: 指定是否是閉合曲線，如果為True，表示曲線是閉合的，否則為打開的曲線。
• approxCurve: 輸出的近似輪廓，可以是numpy數(shù)組或空對(duì)象。如果不指定輸出數(shù)組，則函數(shù)會(huì)返回近似輪廓的坐標(biāo)點(diǎn)數(shù)組。

該函數(shù)的返回值表示的是近似輪廓的坐標(biāo)點(diǎn)，可以通過對(duì)輸出數(shù)組的大小來確定近似后曲線上的點(diǎn)的數(shù)量。epsilon的值受影響因素較多，需要根據(jù)具體情況進(jìn)行設(shè)定。

近似處理的效果往往受到調(diào)節(jié)參數(shù)的影響，如果epsilon設(shè)置得過小，處理得過度，則可能會(huì)丟失重要的輪廓信息；如果epsilon設(shè)置得過大，則可能會(huì)保留過多的輪廓信息，增加了計(jì)算量，并且可能導(dǎo)致輪廓的誤檢和漏檢等問題。因此，在進(jìn)行輪廓近似時(shí)，需要根據(jù)具體情況進(jìn)行參數(shù)的調(diào)適，以達(dá)到最佳的處理效果。

5. 輪廓標(biāo)記

• 作用： 用一個(gè)形狀（矩形、圓圈等）將輪廓標(biāo)記出來。

# 背景畫布
canvabg = img.copy()
# 獲取輪廓
cnt0 = contours[0]
# 矩形邊框
startx,starty,width,height = cv2.boundingRect(cnt0)
cv2.rectangle(canvabg,(startx,starty),(startx + width,starty + height),(0,255,0),2)
# 獲取輪廓
cnt1 = contours[2]
# 圓圈外框
(cx,cy),radius = cv2.minEnclosingCircle(cnt1)
cv2.circle(canvabg,(int(cx),int(cy)),int(radius),(255,0,0),2)

三、模板匹配

• 思路： 將模板圖片當(dāng)作卷積核與被匹配的圖像進(jìn)行卷積操作，然后根據(jù)具體匹配算法計(jì)算出每一步卷積操作的置信度，根據(jù)置信度來確定模板圖像在被匹配圖像中的位置。

在OpenCV中，使用cv2.matchTemplate()函數(shù)可以實(shí)現(xiàn)圖像匹配的功能。圖像匹配是指在一幅圖片中查找某個(gè)感興趣區(qū)域（通常是一個(gè)模板圖像）在該圖像中的位置和數(shù)量。

cv2.matchTemplate()函數(shù)的語(yǔ)法如下：

cv2.matchTemplate(image, templ, method[, result[, mask]]) → result

參數(shù)解釋如下：

• image: 輸入圖像，應(yīng)該是8位或32位浮點(diǎn)型的灰度圖像。
• templ: 模板圖像，在輸入圖像中查找的圖像區(qū)域。與輸入圖像具有相同的數(shù)據(jù)類型和通道數(shù)。
• method:

  • 平方差匹配（cv2.TM_SQDIFF）：此匹配方法會(huì)依次比較輸入圖像和模板圖像中像素點(diǎn)的差值平方，并返回差值的總和。匹配結(jié)果越小，匹配度越高。

  • 歸一化平方差匹配（cv2.TM_SQDIFF_NORMED）：此匹配方法與平方差匹配方法類似，但會(huì)將匹配結(jié)果歸一化，即匹配結(jié)果越小，匹配度越高。

  • 相關(guān)匹配（cv2.TM_CCORR）：此匹配方法將輸入圖像和模板圖像進(jìn)行互相關(guān)運(yùn)算，并返回相關(guān)系數(shù)的最大值。匹配結(jié)果越大，匹配度越高。

  • 歸一化相關(guān)匹配（cv2.TM_CCORR_NORMED）：此匹配方法與相關(guān)匹配方法類似，但會(huì)將匹配結(jié)果歸一化，即匹配結(jié)果越大，匹配度越高。

  • 系數(shù)匹配（cv2.TM_CCOEFF）：此匹配方法會(huì)計(jì)算輸入圖像和模板圖像之間的相關(guān)系數(shù)，然后從相關(guān)系數(shù)圖像中找到最大值。匹配結(jié)果越大，匹配度越高。

  • 歸一化系數(shù)匹配（cv2.TM_CCOEFF NORMED):計(jì)算歸一化相關(guān)系數(shù)，計(jì)算出來的值越接近1，越相關(guān)。

• result: 匹配結(jié)果，一般不需要指定該參數(shù)，函數(shù)會(huì)自動(dòng)創(chuàng)建。其大小為輸入圖像大小減去模板圖像大小加1，是一個(gè)二維數(shù)組。
• mask: 遮罩，如果指定，則只在遮罩區(qū)域內(nèi)進(jìn)行模板匹配。

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


img = cv2.imread("F:/MyOpenCV/ai.jpg")
imgTmp = cv2.imread("F:/MyOpenCV/aitemp.jpg")

result = cv2.matchTemplate(img, imgTmp, cv2.TM_SQDIFF_NORMED)
minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(result)
x, y = minLoc
h, w, t = imgTmp.shape
cv2.rectangle(img, minLoc, (x + w, y + h), (255, 0, 0), 2)

cv2.imshow("img", img)
cv2.imshow("imgsim", imgTmp)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、直方圖

1. 對(duì)比度

• 定義： 對(duì)比度是指圖像中最亮和最暗區(qū)域之間的差異度量，即白和黑之間的差異程度。在數(shù)字圖像處理中，對(duì)比度可用于調(diào)整圖像的明暗程度，通常是通過調(diào)整圖像中像素的亮度和顏色值來實(shí)現(xiàn)。較高的對(duì)比度可以使圖像更加清晰明亮，而較低的對(duì)比度則會(huì)使圖像顯得柔和、模糊或無法分辨。

2. 繪制直方圖

直方圖的橫坐標(biāo)為像素通道值的取值范圍，縱坐標(biāo)為數(shù)值出現(xiàn)的次數(shù)。

cv2.calcHist() 可以用于計(jì)算灰度圖像的直方圖，也可以用于計(jì)算彩色圖像的直方圖。

cv2.calcHist() 的語(yǔ)法如下：

hist = cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate]])

參數(shù)說明如下：

• images: 輸入的圖像，以 numpy 數(shù)組的形式提供。如果要計(jì)算灰度圖像的直方圖，則 images 的維度應(yīng)該是二維的，而對(duì)于彩色圖像，則應(yīng)該是三維的，其中第三維表示圖像的顏色通道。傳遞給函數(shù)的圖像應(yīng)該是一個(gè)列表，即使你只使用單個(gè)圖像，也要將圖像包裝在列表中。
• channels: 要統(tǒng)計(jì)的顏色通道的索引列表。對(duì)于灰度圖像，此參數(shù)應(yīng)該為 [0]，對(duì)于彩色圖像，則通常是 [0, 1, 2] 表示三個(gè)顏色通道。
• mask: 可選的掩碼圖像，用于指定參與直方圖計(jì)算的像素位置。只有在掩碼圖像中對(duì)應(yīng)位置像素值為非零值時(shí)，才會(huì)將該位置的像素納入直方圖計(jì)算。
• histSize: 直方圖的bin數(shù)量，也就是區(qū)間數(shù)量。該參數(shù)應(yīng)該為一個(gè)列表，每個(gè)元素表示一個(gè)通道的bin數(shù)量。
• ranges: 直方圖的像素值范圍，也就是區(qū)間范圍。該參數(shù)應(yīng)該為一個(gè)列表，每個(gè)元素表示一個(gè)通道的像素值范圍。
• hist: 可選的輸出直方圖數(shù)組對(duì)象。
• accumulate: 可選的累加標(biāo)志。

cv2.calcHist() 的返回值是一個(gè)numpy數(shù)組，表示所計(jì)算的直方圖。對(duì)于灰度圖像，返回的是一維數(shù)組；對(duì)于彩色圖像，返回的是一個(gè)三維數(shù)組，其中每個(gè)維度分別表示BGR三個(gè)通道的直方圖。

img = cv2.imread("F:/MyOpenCV/hello.jpg")
b, g, r = cv2.split(img)
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

histGray = cv2.calcHist([imgGray], [0], None, [256], [0, 256])

# 繪制直方圖
plt.plot(histGray)
plt.xlim([0, 256])
plt.xlabel("灰度值")
plt.ylabel("像素?cái)?shù)量")
plt.show()

注：也可以使用matplotlib的方法，plt.hist(data, histSize)其中data為直方圖的一維數(shù)組，因此圖像數(shù)據(jù)調(diào)用ravel函數(shù)。

3. 均衡化

3.1 理論

• 目的： 將原圖像通過變換，得到一幅灰度直方圖的灰度值均勻分布的新圖像。對(duì)在圖像中像素個(gè)數(shù)多的灰度級(jí)進(jìn)行展寬，而對(duì)像素個(gè)數(shù)少的灰度級(jí)進(jìn)行縮減。從而達(dá)到清晰圖像的目的。最理想的情況就是變換后，像素灰度概率完全一樣的，但是實(shí)際上做不到那么平均。
  

3.2 代碼

cv2.equalizeHist(src:image[, dst]) -> dst:image

4. CLAHE

• 直方圖均衡化問題：

  • 全局效果，導(dǎo)致原來比較亮的地方變得更亮 原來暗的地方變得更暗 從而會(huì)導(dǎo)致細(xì)節(jié)的丟失。
  • 可能導(dǎo)致噪點(diǎn)的放大。

• 思路： 將圖片進(jìn)行拆分，然后分別對(duì)每個(gè)部分進(jìn)行均衡化處理，且對(duì)每個(gè)部分的直方圖概率分布做限制。

• 算法實(shí)現(xiàn)：

  1. 圖像分塊
  2. 找每個(gè)塊的中心點(diǎn)
  3. 分別計(jì)算每個(gè)塊的灰度直方圖，并進(jìn)行閾值限制
  4. 得到每個(gè)塊的直方圖分布后，根據(jù)直方圖均衡化算法對(duì)每個(gè)塊的中心點(diǎn)進(jìn)行均衡化處理。只對(duì)中心點(diǎn)進(jìn)行均衡化是為了加快計(jì)算速度。
  5. 根據(jù)中心點(diǎn)均衡化后的灰度值，利用差值算法計(jì)算圖像塊剩余像素的灰度值。

• 代碼：

  # 生成自適應(yīng)均衡化算法 
  # clipLimit ：閾值，1 表示不做限制。值越大，對(duì)比度越大
  # tileGridSize：如何拆分圖像
  clahe = cv2.createCLAHE([, clipLimit[, tileGridSize]]) -> retval
  # 對(duì)像素通道進(jìn)行自適應(yīng)均值化處理
  dst = clahe.apply(src)
  
  

  cv2.createCLAHE 函數(shù)可接受三個(gè)參數(shù)，分別是 clipLimit、tileGridSize 和 tileGridSizeX（取代 tileGridSize），其中：

  • clipLimit：保持對(duì)比度等級(jí)的限制值，這個(gè)值越小，保持的對(duì)比度等級(jí)越高；
  • tileGridSize：將圖像分成的矩形塊的大小，以像素為單位。該參數(shù)應(yīng)該是奇數(shù)。若在 tileGridSizeX 參數(shù)中指定，那么就不需要輸入該參數(shù)。
  • tileGridSizeX：同 tileGridSize，用于指定矩形塊的大小。

五、圖像傅里葉變換

• 擴(kuò)展閱讀
  • 傅里葉變換
  • 二維傅里葉變換
  • 圖像傅里葉

5.1 正弦平面波

• 直觀定義： 將一維正弦曲線朝著縱向的一個(gè)方向上將其拉伸得到一個(gè)三維的波形，然后將波形的幅值變化用二維平面進(jìn)行表示，再將二維平面波繪制成灰度圖，從而波峰為255白色 波谷為0黑色，中間是一個(gè)灰度的過渡。
• 數(shù)學(xué)參數(shù)：
  • 正弦波：頻率w， 幅值A(chǔ)，相位$\phi$
  • 拉伸方向：在二維坐標(biāo)中，向量可以寫為$n=(\mu ,v)$

5.2 二維傅里葉變換

• 思想： 二維傅里葉變換中，認(rèn)為二維數(shù)據(jù)是由無數(shù)個(gè)正弦平面波所構(gòu)成。
  
• 離散傅里葉變換公式：
  $$F(u,v)=\frac{1}{MN}\sum _{x=0}^{M?1}\sum _{y=0}^{N?1}f(x,y)e^{?i2\pi (\frac{ux}{M}+\frac{vy}{N})}$$
• 參數(shù)的解釋：
  

5.3 二維傅里葉變換結(jié)果 F ( u , v ) F(u, v) F(u,v)

• (u, v)拉伸方向的向量
• $w=\sqrt{u^2+v^2}$ 向量的模表示正弦波的頻率
• F(u, v)：復(fù)數(shù)， 隱含了正弦波的幅值A(chǔ)和相位$\phi$。詳細(xì)的還是看上面的擴(kuò)展閱讀吧。

5.4 傅里葉變換的實(shí)現(xiàn)

OpenCV提供了dft(src:np.float[, dst[, flags[, nonzeroRows]]]) -> dst來進(jìn)行傅里葉變換，參數(shù)含義如下：

• src：輸入的單通道圖像，必須為浮點(diǎn)型
• dst：輸出的復(fù)數(shù)形式的結(jié)果，大小與src一致
• flags：變換操作的附加選項(xiàng)，通?？梢栽O(shè)置為cv2.DFT_COMPLEX_OUTPUT表示輸出為復(fù)數(shù)
• nonzeroRows：當(dāng)輸入圖像的尺寸不是2的冪次方時(shí)，必須手動(dòng)指定變換中心（如果輸入圖像大小為偶數(shù)，則默認(rèn)中心為圖像的中心，否則中心為左上角）
• n：可選參數(shù)，指定變換的大小，通常為src的尺寸
• 返回值是是雙通道，第一個(gè)通道是實(shí)部，第二個(gè)通道是虛部

注：由于離散傅里葉變換具有共軛對(duì)稱性 因此只有四分之一是有效的其他是翻轉(zhuǎn)的。

• 頻譜圖中心化：
  方便用于濾波操作。

  # 頻譜中心化
  shiftA = np.fft.fftshift(A)
  

5.5 傅里葉濾波

• 思路：
  1. 對(duì)圖像灰度進(jìn)行傅里葉變換，得到頻域結(jié)果
  2. 將要?jiǎng)h除的頻率所對(duì)應(yīng)的傅里葉變換結(jié)果全部置為0+i0
  3. 對(duì)修改后的傅里葉變換結(jié)果進(jìn)行傅里葉反變換

5.5.1 低通濾波

將低頻部分的結(jié)果全部置為零

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


img = cv2.imread("F:/MyOpenCV/ai.jpg")
yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)
yfloat = np.float32(yuv[:, :, 0])  # 其實(shí)就是取了灰度圖

dft = cv2.dft(yfloat, flags=cv2.DFT_COMPLEX_OUTPUT)  # 生成頻譜圖
dftShift = np.fft.fftshift(dft)  # 中心化

centerRow = int(dftShift.shape[0] / 2)  # 寬的中心
centerCol = int(dftShift.shape[1] / 2)  # 列的中心

mask = np.zeros(dftShift.shape, dtype=np.uint8)  # 構(gòu)造一個(gè)掩膜
mask[centerRow - 30 : centerRow + 30, centerCol - 30 : centerCol + 30, :] = 1
dftShift = dftShift * mask  # 按位乘

dft = np.fft.ifftshift(dftShift)  # 先反中心化
idft = cv2.idft(dft)  # 再反傅里葉

iyDft = cv2.magnitude(idft[:, :, 0], idft[:, :, 1])  # 轉(zhuǎn)為實(shí)數(shù)
iy = np.uint8(iyDft / iyDft.max() * 255)  # 映射

yuv[:, :, 0] = iy
imgRes = cv2.cvtColor(yuv, cv2.COLOR_YUV2BGR)


cv2.imshow("imgRes", imgRes)


cv2.waitKey(0)
cv2.destroyAllWindows()

5.5.2 高通濾波

類似于低通 改一下掩膜就行 效果如下（有點(diǎn)恐怖 下次還是使用灰度圖吧）

總結(jié)

最近在忙實(shí)驗(yàn)室的項(xiàng)目，本篇搞的有點(diǎn)慢，這兩天把它弄完。文章來源地址http://www.zghlxwxcb.cn/news/detail-453981.html

到了這里，關(guān)于第五章 圖像處理的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！