离散傅立叶变换与逆变换
2015-08-28 09:39
211 查看
一、怎样为一副图像增加一个通道
从上面结果可以看出,我们为原图像增加了一个通道
二、离散傅立叶变换
(1)将图像延扩到最佳尺寸. 离散傅立叶变换的运行速度与图片的尺寸息息相关。当图像的尺寸是2, 3,5的整数倍时,计算速度最快。 因此,为了达到快速计算的目的,经常通过添凑新的边缘像素的方法获取最佳图像尺寸。函数 getOptimalDFTSize() 返回最佳尺寸,而函数 copyMakeBorder() 填充边缘像素:
(2)为傅立叶变换的结果(实部和虚部)分配存储空间. 傅立叶变换的结果是复数,这就是说对于每个原图像值,结果是两个图像值。 此外,频域值范围远远超过空间值范围, 因此至少要将频域储存在 float 格式中。 结果我们将输入图像转换成浮点类型,并多加一个额外通道来储存复数部分:
(3)进行离散傅立叶变换. 支持图像原地计算 (输入输出为同一图像):
(4)将复数转换为幅度.复数包含实数部分(Re)和复数部分 (imaginary - Im)。 离散傅立叶变换的结果是复数,对应的幅度可以表示为:
(5)对数尺度(logarithmic scale)缩放. 傅立叶变换的幅度值范围大到不适合在屏幕上显示。高值在屏幕上显示为白点,而低值为黑点,高低值的变化无法有效分辨。为了在屏幕上凸显出高低变化的连续性,我们可以用对数尺度来替换线性尺度:
(6)剪切和重分布幅度图象限. 还记得我们在第一步时延扩了图像吗? 那现在是时候将新添加的像素剔除了。为了方便显示,我们也可以重新分布幅度图象限位置(注:将第五步得到的幅度图从中间划开得到四张1/4子图像,将每张子图像看成幅度图的一个象限,重新分布即将四个角点重叠到图片中心)。 这样的话原点(0,0)就位移到图像中心。
(7)归一化. 这一步的目的仍然是为了显示。 现在我们有了重分布后的幅度图,但是幅度值仍然超过可显示范围[0,1] 。我们使用 normalize() 函数将幅度归一化到可显示范围。
(8)具体实现代码
三、傅立叶逆变换
傅立叶逆变换实现韩式为idft,逆变换后输出的为复数,我们可取其实部显示即可
注:傅立叶变换来自:F:\opencv\OpenCV2.3.2官方文档(中文)\core 模块. 核心功能\离散傅立叶变换 — OpenCV 2.3.2 documentation.htm
Mat A=(Mat_<double>(3,3)<<1,2,3,4,5,6,7,8,9); Mat B=Mat::zeros(A.size(),A.type()); cout<<"the channels numbers of A: "<<A.channels()<<endl; Mat planels[]={A,B}; Mat out; merge(planels,2,out); cout<<"After changing the channels numbers: "<<out.channels()<<endl; cout<<out<<endl; return 0; 结果: the channels numbers of A: 1 After changing the channels numbers: 2 [1, 0, 2, 0, 3, 0; 4, 0, 5, 0, 6, 0; 7, 0, 8, 0, 9, 0] 请按任意键继续. . .
从上面结果可以看出,我们为原图像增加了一个通道
二、离散傅立叶变换
(1)将图像延扩到最佳尺寸. 离散傅立叶变换的运行速度与图片的尺寸息息相关。当图像的尺寸是2, 3,5的整数倍时,计算速度最快。 因此,为了达到快速计算的目的,经常通过添凑新的边缘像素的方法获取最佳图像尺寸。函数 getOptimalDFTSize() 返回最佳尺寸,而函数 copyMakeBorder() 填充边缘像素:
(2)为傅立叶变换的结果(实部和虚部)分配存储空间. 傅立叶变换的结果是复数,这就是说对于每个原图像值,结果是两个图像值。 此外,频域值范围远远超过空间值范围, 因此至少要将频域储存在 float 格式中。 结果我们将输入图像转换成浮点类型,并多加一个额外通道来储存复数部分:
Mat planes[] = {Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F)}; Mat complexI; merge(planes, 2, complexI); // 为延扩后的图像增添一个初始化为0的通道
(3)进行离散傅立叶变换. 支持图像原地计算 (输入输出为同一图像):
dft(complexI, complexI); // 变换结果很好的保存在原始矩阵中
(4)将复数转换为幅度.复数包含实数部分(Re)和复数部分 (imaginary - Im)。 离散傅立叶变换的结果是复数,对应的幅度可以表示为:
M = sqrt{ {Re(DFT(I))}^2 + {Im(DFT(I))}^2} 转化为OpenCV代码: split(complexI, planes); // planes[0] = Re(DFT(I), planes[1] = Im(DFT(I)) magnitude(planes[0], planes[1], planes[0]);// planes[0] = magnitude Mat magI = planes[0];
(5)对数尺度(logarithmic scale)缩放. 傅立叶变换的幅度值范围大到不适合在屏幕上显示。高值在屏幕上显示为白点,而低值为黑点,高低值的变化无法有效分辨。为了在屏幕上凸显出高低变化的连续性,我们可以用对数尺度来替换线性尺度:
M= log{(1 + M)} 转化为OpenCV代码: magI += Scalar::all(1); // 转换到对数尺度 log(magI, magI);
(6)剪切和重分布幅度图象限. 还记得我们在第一步时延扩了图像吗? 那现在是时候将新添加的像素剔除了。为了方便显示,我们也可以重新分布幅度图象限位置(注:将第五步得到的幅度图从中间划开得到四张1/4子图像,将每张子图像看成幅度图的一个象限,重新分布即将四个角点重叠到图片中心)。 这样的话原点(0,0)就位移到图像中心。
magI = magI(Rect(0, 0, magI.cols & -2, magI.rows & -2)); int cx = magI.cols/2; int cy = magI.rows/2; Mat q0(magI, Rect(0, 0, cx, cy)); // Top-Left - 为每一个象限创建ROI Mat q1(magI, Rect(cx, 0, cx, cy)); // Top-Right Mat q2(magI, Rect(0, cy, cx, cy)); // Bottom-Left Mat q3(magI, Rect(cx, cy, cx, cy)); // Bottom-Right Mat tmp; // 交换象限 (Top-Left with Bottom-Right) q0.copyTo(tmp); q3.copyTo(q0); tmp.copyTo(q3); q1.copyTo(tmp); // 交换象限 (Top-Right with Bottom-Left) q2.copyTo(q1); tmp.copyTo(q2);
(7)归一化. 这一步的目的仍然是为了显示。 现在我们有了重分布后的幅度图,但是幅度值仍然超过可显示范围[0,1] 。我们使用 normalize() 函数将幅度归一化到可显示范围。
normalize(magI, magI, 0, 1, CV_MINMAX); // 将float类型的矩阵转换到可显示图像范围(float [0, 1]).
(8)具体实现代码
#include<opencv2\core\core.hpp> #include<opencv2\imgproc\imgproc.hpp> #include<opencv2\highgui\highgui.hpp> #include<iostream> using namespace std; using namespace cv; int main(){ Mat I = imread("F:\\opencv_test\\1.jpg" ,0); if(I.empty()) return -1; //得到最优的图像大小 int m=getOptimalDFTSize(I.rows); int n=getOptimalDFTSize(I.cols); Mat paddImg; //对图像补零,在图像下方和图像右边不零,上边和左边保持不变 copyMakeBorder(I,paddImg,0,m-I.rows,0,n-I.cols,BORDER_CONSTANT,Scalar::all(0)); //扩充一个通道,方便存储傅立叶变换后的结果 Mat planels[]={Mat_<float>(paddImg),Mat::zeros(paddImg.size(),CV_32F)};//Mat_的用法,为什么paddImg一定要打括号? Mat complexImg; merge(planels,2,complexImg); //进行傅立叶变换 dft(complexImg,complexImg); //把变换后的实数和复数部分分离开 split(complexImg,planels); //求幅度 magnitude(planels[0],planels[1],planels[0]); Mat magI=planels[0]; //压缩动态范围,做对数变换 magI=magI+Scalar::all(0); log(magI,magI); //去掉补充的行列 magI = magI(Rect(0, 0, I.cols, I.rows ));// //平移,使图像的中心变换到原点 int cy=magI.rows/2; int cx=magI.cols/2; //把原区域分为四块 Mat q0(magI,Rect(0,0,cx,cy));//Rect的用法,第三个参数到底是列 Mat q1(magI,Rect(cx,0,cx,cy)); Mat q2(magI,Rect(0,cy,cx,cy));// Mat q3(magI,Rect(cx,cy,cx,cy)); //把左上角和右下角的区域交换 Mat temp; q0.copyTo(temp); q3.copyTo(q0); temp.copyTo(q3); //把左下角和右上角的区域进行互换 q1.copyTo(temp); q2.copyTo(q1); temp.copyTo(q2); //归一化,方便显示 normalize(magI,magI,1,0,CV_MINMAX); namedWindow("original image",0); namedWindow("spectrum magnitude image",0); imshow("original image",I); imshow("spectrum magnitude image",magI); waitKey(); return 0; }
三、傅立叶逆变换
傅立叶逆变换实现韩式为idft,逆变换后输出的为复数,我们可取其实部显示即可
int main(){ Mat I = imread("F:\\opencv_test\\6.tif",0); if(I.empty()) return -1; //傅立叶变换 int m=getOptimalDFTSize(I.rows); int n=getOptimalDFTSize(I.cols); Mat paddImg; copyMakeBorder(I,paddImg,0,m-I.rows,0,n-I.cols,BORDER_CONSTANT,Scalar::all(0)); Mat planels[]={Mat_<float>(paddImg),Mat::zeros(paddImg.size(),CV_32F)}; Mat complexImg; merge(planels,2,complexImg); dft(complexImg,complexImg); //傅立叶逆变换 Mat iImg; idft(complexImg,iImg); //实际上,做完逆变换是复数形式,我们取其实部即可 split(iImg,planels); Mat magI=planels[0]; magI = magI(Rect(0, 0, I.cols, I.rows )); //归一化,方便显示 normalize(magI,magI,1,0,CV_MINMAX); imshow("original",I); namedWindow("spectrum magnitude image",0); imshow("spectrum magnitude image",magI); waitKey(); return 0; }
注:傅立叶变换来自:F:\opencv\OpenCV2.3.2官方文档(中文)\core 模块. 核心功能\离散傅立叶变换 — OpenCV 2.3.2 documentation.htm
相关文章推荐
- Apache2.2.21安装图解
- 0003 手动定制原版 Win7 操作系统(二)
- win10 迅雷无法下载打开就卡死无响应怎么办?
- 【排序算法】归并排序
- POJ 2608 Soundex(水~)
- POJ 2606 Rabbit hunt(计算几何)
- POJ 2591 Set Definition(数论)
- 在运行时加载XIB文件
- Struts Hello World Example
- jquery $(document).ready() 与window.onload的区别
- EJB简介
- UMCrashAnalyze总结
- 调用百度地图接口获取地理位置手机电脑通用
- JS日期的获取与加减
- java学习中易忽略的知识
- PPT控电脑端怎么样
- android adapter的notifyDataSetChanged不起作用
- POJ 2579 && HDU 1218 Blurred Vision(水~)
- 日经社説 20150828 薬局の機能を高め医療の効率化進めよ
- UVA10976 Fractions Again?!