OpenCV 离散傅里叶变换
离散傅里叶变换(DFT)
定义
离散傅里叶变换(Discrete Fourier Transform,缩写为DFT),是傅里叶变换在时域和频域上都呈离散的形式,将信号的时域采样变换为其DFT的频域采样。
对于N点序列{X[n]}(0 <= n <= N),它的离散傅里叶变换为:
dft() 函数
dft()函数的作用是对一维或二维的浮点数数组进行正向或反向的离散傅里叶变换。
函数原型
void dft(InoutArray src, //输入矩阵OutputArray dst, ///输出矩阵int flags = 0, //转换的标识符int onozeroRows,
)
复制代码
第三个参数,转换的标识符分为:
- DFT_INVERSE 用一维或二维逆变换代替默认的正向变换。
- DFT_SCALE 缩放比例标识符,输出的结果都会以1 / N进行缩放。
- DFT_CMPLEX_OUTPUT、DFT_REAL_OUTPUT 进行一维或二维的数组反变换。
返回DFT最优尺寸大小:getOptimalDFTSize()函数
void int getOptimalDFTSize(int vecsize);
复制代码
扩充图像边界:copyMakeBorder()函数
void copyMakeBorder(InputArray src, //输入图像OutputArray dst, //输出图像int top, //在图像上方扩充的像素值int bottom, //在图像下方扩充的像素值int left, //在图像左方扩充的像素值int right, //在图像右方扩充的像素值int borderType, //边界类型·const Scalars,
)
复制代码
计算二维矢量的幅值:magnitude()函数
用于计算二维矢量的幅值
void magnitude(InputArray x, //表示矢量的浮点型X坐标值,即实部InputArray y, //表示矢量的浮点型Y坐标值,即虚部OutputArray magnitude, //输出的幅值
)
复制代码
计算自然对数:log() 函数
log()函数的功能是计算每个数组元素绝对值的自然对数
void log(InputArray src,OutputArray dst,
);原理即为:if(src(I) != 0)log|src(I)|
elseC
复制代码
矩阵归一化:normalize()函数
void normalize(InputArray src,OutputArray dst,double alpha = 1, //归一化之后的最大值,有默认值1double beta = 0, //归一化之后的最大值,有默认值0int norm_type = NORM_L2, //归一化类型int dtype = -1, //为负数时输出矩阵和src有同样的类型,否则,它和src有同样的通道数,深度为CV_MAT_DEPTHInputArray mask=noArray(), //可选的操作掩模
)
复制代码
getOptimalDFTSize函数
该函数返回给定向量尺寸的傅里叶最优尺寸大小。为了提高离散傅里叶变换的运行速度,需要扩充图像。
使用dft函数计算两个二维实矩阵卷积的示例核心片段
- 其中MulSpectrums的作用是计算两个傅里叶频谱的每个元素的乘法
void convolveDft(InputArray A, InputArray B, OutputArray C)
{//初始化输出矩阵C.create(abs(A.rows - B.rows) + 1, abs(A.cols - B.cols) + 1, A.type);//计算DFT变换的尺寸dftSize.width = getOptimalDFTSize(A.cols + B.cols - 1);dftSize.height = getOptimalDFTSize(A.rows + B.rows - 1);//分配临时缓冲区并初始化置0Mat tempA(dftSize,A.type(),Scalar::all(0));Mat tempB(dftSize,B.type(),Scalar::all(0));//分别复制A和B到tempA和tempB的左上角Mat roiA(tempA,Rect(0,0,A.cols,A.rows));A.copyTo(roiA);Mat roiB(tempB,Rect(0,0,B.cols,B.rows));B.copyTO(roiB);//就地操作,进行快速傅里叶变换,并将nonzeroRows 参数置为零,以进行更加快速的处理。dft(tempA,tempA,0,A.rows);dft(tempB,tempB,0,B.rows);//将得到的频谱相乘,结果存放于tempA当中mulSpectrums(tempA,tempB,tempA); //将结果变换为频域,尽管结果行(result.rows)都为非零,我们只需其中的C.rows的第一行,所以采用nonzeroRows == C.rowsdft(tempA,tempA,EFT_INVERSE + EFT_SCALE,C.rows);//将结果复制到C当中tempA(Rect(0,0,C.cols,C.rows)).copyTo(C);//所有的临时缓存区将被自动释放,所以无需收尾操作
}
复制代码
例示程序:离散傅里叶变换
【1】载入原始图像
//【1】ui灰度模式读取原始图像并显示
Mat srcImage = imread("D:\\Desktop\\lena.jpg",0);
if (!srcImage.data)
{cout << "lena图片读取错误" << endl;return false;
}
imshow("原始图像", srcImage);
复制代码
【2】将图像扩大到合适的尺寸
//【2】将输入的图像延扩到最佳的尺寸,边界用0补充
int m = getOptimalDFTSize(I.rows);
int n = getOptimalDFTSize(I.cols);
//将添加的像素初始化为0
Mat padded;
copyMakeBorder(I,padded,0,m - I,rows,0,n - I.cols,BORDER_CONSTANT,Scalar::all(0));
复制代码
【3】为傅里叶变换的结果分配储存空间
傅里叶变换的结果是复数,每个原图像值,结果会有两个图像值。
为傅里叶变换的结果(实部和虚部)分配储存空间
//将planes数组组合合并成一个多通道的数组complexI
Mat planes[] = (Mat_<float>(padded),Mat::zeros(padded.size(),CV_32F));
Mat complexI;
merge(planes,2,complexI);
复制代码
【4】进行离散傅里叶变换
def(complexI,complexI);
复制代码
【5】将复数转换为幅值
离散傅里叶变换的结果是复数,对应的幅值可表示为:
//将复数转换为幅值,即=> log(1 + sqrt(Re(DFT(I)) ^ 2 + Im(DFT(I)) ^ 2))
split(complexI,planes); //将多通道complexI分离成几个单通道数组
planes[0] = Re(DFT(I),planes[1] = Im(DFT(I))
magnitude(planes[0],planes[1],planes[0]);
Mat magnitudeImage = planes[0];
复制代码
【6】进行对数尺度缩放
傅里叶变换的幅度之范围大到不合适在屏幕上显示。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判断。为了在屏幕上凸显出高低变化的连续性,可以用对数尺度来代替线性尺度,公式如下:
//进行对数尺度缩放
magnitudeImage += Scalar::all(1);
log(magnitudeImage,magnitudeImage); //求自然对数
复制代码
【7】剪切和重分布幅度图像象限
因为在第二步中延扩了图像,那现在是时候将新添加的像素剔除了。为了方便显示,可以重新分布图像象限位置。
//若有奇数行或技术列,进行谱写裁剪
magnitudeImage = magnitudeImage(Rect(0,0,magnitudeImage.cols & -2,magnitudeImage.rows & -2));
//重新排列傅里叶图像中的象限,使得原点位于图像中心
int cx = magnitudeImage.cols / 2;
int cy = magnitudeImage.rows / 2;
Mat q0(magnitudeImage,Rect(0,0,cx,cy)); //ROI区域的左上
Mat q1(magnitudeImage,Rect(cx,0,cx,cy)); //ROI区域的右上
Mat q2(magnitudeImage,Rect(0,cy,cx,cy)); //ROI区域的左下
Mat q3(magnitudeImage,Rect(cx,cy,cx,cy)); //ROI区域的右下//交换象限(左上与右下)
Mat tmp;
q0.copyTo(tmp);
q3.copyTo(q0);
tmp.copyTo(q3);//交换象限(右上与左下)
q1.copyTo(tmp);
q4.copyTo(q1);
tmp.copyTo(q4);
复制代码
【8】归一化
现在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],我们可以使用 normalize()函数归一化到可显示范围。
normalize(magnitudeImage,magnitudeImage,0,1,NORM_MINMAX);
复制代码
【9】显示效果
imshow("频谱幅值",magnitudeImage);
复制代码
效果
转载于:https://juejin.im/post/5c9eb81df265da307a16043d
OpenCV 离散傅里叶变换相关推荐
- opencv离散傅里叶变换进行图像旋转校正
前言 离散傅立叶变换的一个应用是决定图片中物体的几何方向. 观察这两张幅度图你会发现频域的主要内容(幅度图中的亮点)是和空间图像中物体的几何方向相关的. 通过这点我们可以计算旋转角度并修正偏差 ...
- 独家|OpenCV 1.7 离散傅里叶变换
翻译:陈之炎 校对:李海明本文约2400字,建议阅读5分钟本文为大家介绍了OpenCV离散傅里叶变换. 目标 本小节将寻求以下问题的答案: 什么是傅立叶变换,为什么要使用傅立叶变换? 如何在OpenC ...
- Opencv 实现图像的离散傅里叶变换(DFT)、卷积运算(相关滤波)
原文:http://blog.csdn.net/ikerpeng/article/details/41845545?utm_source=tuicool&utm_medium=referral ...
- 基于OpenCV完成离散傅里叶变换
基于OpenCV完成离散傅里叶变换 目标 学会使用函数: cv::copyMakeBorder() , cv::merge() , cv::dft() , cv::getOptimalDFTSize( ...
- 【OpenCV 例程200篇】72. 一维离散傅里叶变换
[OpenCV 例程200篇]72. 一维离散傅里叶变换 欢迎关注 『OpenCV 例程200篇』 系列,持续更新中 欢迎关注 『Python小白的OpenCV学习课』 系列,持续更新中 1.3 一维 ...
- 使用OpenCV实现离散傅里叶变换(DFT)
使用OpenCV实现离散傅里叶变换(DFT) 傅里叶变换,妈呀这个东东好高级啊!真的高级吗?理解起来还真是有点困难,需要一些高等数学的基础.有了OpenCV,你不理解也没问题,会用就OK!就好比你会用 ...
- OPenCV:傅里叶变换、时域和频域、频谱和相位谱、傅里叶级数、离散傅里叶变换(DFT)、频域滤波、高通和低通滤波器、带通和带阻滤波器
日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 快速了解傅立叶变换(播放PPT即能动态地显示gif图) ...
- opencv学习:二维浮点数离散傅里叶变换及其扩展边界优化
opencv中提供了傅里叶变换函数cvDFT,执行二维浮点数离散傅里叶变换的代码如下: void fft2(const IplImage* src, IplImage* dst) {//实部.虚部 I ...
- 【OpenCV】OpenCV实战从入门到精通之 -- 离散傅里叶变换相关函数详解
目录 1.dft()函数 2.返回DFT最优尺寸大小:getOptimalDFTSize()函数 3.扩充图像边界:copyMakeBorder()函数 4.计算二维矢量的幅值:magnitude() ...
最新文章
- SQL中的in与not in、exists与not exists的区别以及性能分析
- C#排队处理DEMO
- JAVA随机生成文件名:当前年月日时分秒+五位随机数
- git 拉取远程其他分支代码_git切换远程分支并拉取远程分支代码
- JSP的9个内置对象-response
- 如何合并多个(.txt或其他)文件到一个文件
- 重写FileUpload控件让它可以显示上传后的文件名
- 这次是16.7亿元!新能源汽车骗补何时休?
- java match详解_Match类解析
- 肖特基二极管工作原理
- mysql spatial简介_详细介绍mysql索引类型:FULLTEXT、NORMAL、SPATIAL、UNIQUE
- POJ 1061 青蛙的约定
- Linux(四):什么是Bash、什么是shell?
- git 回滚、取消commit、取消merge等回退操作
- Chris and Magic Square CodeForces - 711B
- 基于数据库的企业内部邮件系统的设计
- CryEngine5.3(学习)
- 设计一个动物声音模拟器,可以模拟许多动物的声音
- 网络支付“多元化”趋势越发明朗
- 联想F31,老机换新颜--Win8.1安装手记