OpenCV-python 实现低通滤波、高通滤波、带通滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt
import math
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号def salt_pepper(image, salt, pepper):"""添加椒盐噪声的图像:param image: 输入图像:param salt: 盐比例:param pepper: 椒比例:return: 添加了椒盐噪声的图像"""height = image.shape[0]width = image.shape[1]pertotal = salt + pepper    #总噪声占比noise_image = image.copy()noise_num = int(pertotal * height * width)for i in range(noise_num):rows = np.random.randint(0, height-1)cols = np.random.randint(0,width-1)if(np.random.randint(0,100)<salt*100):noise_image[rows][cols] = 255else:noise_image[rows][cols] = 0return noise_imagedef low_pass_filtering(image, radius):"""低通滤波函数:param image: 输入图像:param radius: 半径:return: 滤波结果"""# 对图像进行傅里叶变换，fft是一个三维数组，fft[:, :, 0]为实数部分，fft[:, :, 1]为虚数部分fft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT)# 对fft进行中心化，生成的dshift仍然是一个三维数组dshift = np.fft.fftshift(fft)# 得到中心像素rows, cols = image.shape[:2]mid_row, mid_col = int(rows / 2), int(cols / 2)# 构建掩模，256位，两个通道mask = np.zeros((rows, cols, 2), np.float32)mask[mid_row - radius:mid_row + radius, mid_col - radius:mid_col + radius] = 1# 给傅里叶变换结果乘掩模fft_filtering = dshift * mask# 傅里叶逆变换ishift = np.fft.ifftshift(fft_filtering)image_filtering = cv2.idft(ishift)image_filtering = cv2.magnitude(image_filtering[:, :, 0], image_filtering[:, :, 1])# 对逆变换结果进行归一化（一般对图像处理的最后一步都要进行归一化，特殊情况除外）cv2.normalize(image_filtering, image_filtering, 0, 1, cv2.NORM_MINMAX)return image_filteringdef high_pass_filtering(image, radius, n):"""高通滤波函数:param image: 输入图像:param radius: 半径:param n: ButterWorth滤波器阶数:return: 滤波结果"""# 对图像进行傅里叶变换，fft是一个三维数组，fft[:, :, 0]为实数部分，fft[:, :, 1]为虚数部分fft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT)# 对fft进行中心化，生成的dshift仍然是一个三维数组dshift = np.fft.fftshift(fft)# 得到中心像素rows, cols = image.shape[:2]mid_row, mid_col = int(rows / 2), int(cols / 2)# 构建ButterWorth高通滤波掩模mask = np.zeros((rows, cols, 2), np.float32)for i in range(0, rows):for j in range(0, cols):# 计算(i, j)到中心点的距离d = math.sqrt(pow(i - mid_row, 2) + pow(j - mid_col, 2))try:mask[i, j, 0] = mask[i, j, 1] = 1 / (1 + pow(radius / d, 2*n))except ZeroDivisionError:mask[i, j, 0] = mask[i, j, 1] = 0# 给傅里叶变换结果乘掩模fft_filtering = dshift * mask# 傅里叶逆变换ishift = np.fft.ifftshift(fft_filtering)image_filtering = cv2.idft(ishift)image_filtering = cv2.magnitude(image_filtering[:, :, 0], image_filtering[:, :, 1])# 对逆变换结果进行归一化（一般对图像处理的最后一步都要进行归一化，特殊情况除外）cv2.normalize(image_filtering, image_filtering, 0, 1, cv2.NORM_MINMAX)return image_filteringdef bandpass_filter(image, radius, w, n=1):"""带通滤波函数:param image: 输入图像:param radius: 带中心到频率平面原点的距离:param w: 带宽:param n: 阶数:return: 滤波结果"""# 对图像进行傅里叶变换，fft是一个三维数组，fft[:, :, 0]为实数部分，fft[:, :, 1]为虚数部分fft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT)# 对fft进行中心化，生成的dshift仍然是一个三维数组dshift = np.fft.fftshift(fft)# 得到中心像素rows, cols = image.shape[:2]mid_row, mid_col = int(rows / 2), int(cols / 2)# 构建掩模，256位，两个通道mask = np.zeros((rows, cols, 2), np.float32)for i in range(0, rows):for j in range(0, cols):# 计算(i, j)到中心点的距离d = math.sqrt(pow(i - mid_row, 2) + pow(j - mid_col, 2))if radius - w / 2 < d < radius + w / 2:mask[i, j, 0] = mask[i, j, 1] = 1else:mask[i, j, 0] = mask[i, j, 1] = 0# 给傅里叶变换结果乘掩模fft_filtering = dshift * np.float32(mask)# 傅里叶逆变换ishift = np.fft.ifftshift(fft_filtering)image_filtering = cv2.idft(ishift)image_filtering = cv2.magnitude(image_filtering[:, :, 0], image_filtering[:, :, 1])# 对逆变换结果进行归一化（一般对图像处理的最后一步都要进行归一化，特殊情况除外）cv2.normalize(image_filtering, image_filtering, 0, 1, cv2.NORM_MINMAX)return image_filteringdef bandstop_filter(image, radius, w, n=1):"""带通滤波函数:param image: 输入图像:param radius: 带中心到频率平面原点的距离:param w: 带宽:param n: 阶数:return: 滤波结果"""# 对图像进行傅里叶变换，fft是一个三维数组，fft[:, :, 0]为实数部分，fft[:, :, 1]为虚数部分fft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT)# 对fft进行中心化，生成的dshift仍然是一个三维数组dshift = np.fft.fftshift(fft)# 得到中心像素rows, cols = image.shape[:2]mid_row, mid_col = int(rows / 2), int(cols / 2)# 构建掩模，256位，两个通道mask = np.zeros((rows, cols, 2), np.float32)for i in range(0, rows):for j in range(0, cols):# 计算(i, j)到中心点的距离d = math.sqrt(pow(i - mid_row, 2) + pow(j - mid_col, 2))if radius - w / 2 < d < radius + w / 2:mask[i, j, 0] = mask[i, j, 1] = 0else:mask[i, j, 0] = mask[i, j, 1] = 1# 给傅里叶变换结果乘掩模fft_filtering = dshift * np.float32(mask)# 傅里叶逆变换ishift = np.fft.ifftshift(fft_filtering)image_filtering = cv2.idft(ishift)image_filtering = cv2.magnitude(image_filtering[:, :, 0], image_filtering[:, :, 1])# 对逆变换结果进行归一化（一般对图像处理的最后一步都要进行归一化，特殊情况除外）cv2.normalize(image_filtering, image_filtering, 0, 1, cv2.NORM_MINMAX)return image_filteringif __name__ == "__main__":image = cv2.imread("..\\images\\lena.jpg", 0)# image_noise = salt_pepper(image, 0.05, 0.05)image_low_pass_filtering5 = low_pass_filtering(image, 50)image_low_pass_filtering1 = low_pass_filtering(image, 10)image_high_pass_filtering5 = high_pass_filtering(image, 50, 1)image_high_pass_filtering1 = high_pass_filtering(image, 10, 1)image_bandpass_filtering5 = bandpass_filter(image, 30, 56, 1)image_bandstop_filtering5 = bandstop_filter(image, 30, 56, 1)plt.subplot(241), plt.imshow(image, 'gray'), plt.title("原图"), plt.xticks([]), plt.yticks([])# plt.subplot(334), plt.imshow(image_noise, 'gray'), plt.title("添加了椒盐噪声的图像"), plt.xticks([]), plt.yticks([])plt.subplot(242), plt.imshow(image_low_pass_filtering5, 'gray'), plt.title("半径为50像素的低通滤波"), plt.xticks([]), plt.yticks([])plt.subplot(246), plt.imshow(image_low_pass_filtering1, 'gray'), plt.title("半径为10像素的低通滤波"), plt.xticks([]), plt.yticks([])plt.subplot(243), plt.imshow(image_high_pass_filtering5, 'gray'), plt.title("半径为50像素的高通滤波"), plt.xticks([]), plt.yticks([])plt.subplot(247), plt.imshow(image_high_pass_filtering1, 'gray'), plt.title("半径为10像素的高通滤波"), plt.xticks([]), plt.yticks([])plt.subplot(244), plt.imshow(image_bandpass_filtering5, 'gray'), plt.title("带通滤波"), plt.xticks([]), plt.yticks([])plt.subplot(248), plt.imshow(image_bandstop_filtering5, 'gray'), plt.title("带阻滤波"), plt.xticks([]), plt.yticks([])plt.show()

OpenCV-python 实现低通滤波、高通滤波、带通滤波相关推荐

python源码高通滤波、低通滤波、带通滤波
创作不易,如果此文使您有收获,记得点赞哦! 一. 傅里叶变化原理: https://www.cnblogs.com/wojianxin/p/12529809.html 二. 高通滤波.低通滤波.带通滤 ...
低通采样和带通采样定理
耐奎斯特采样定理 [2] :我们假设有一个时间连续信号 x(t)的频带在(0, f H )之间,以采样速率为连续信号频率 2 倍(f s =2f H)的采样速率对 x(t)进行等间隔采样,得到 ...
matlab 理想带通,matlab理想带通滤波
理想带通使用如下函数,dim是维度,如果input是一维,则dim=1 % FILTERED = ideal_bandpassing(INPUT,DIM,WL,WH,SAMPLINGRATE) % % ...
Python绘制傅里叶变换、反变换与带通滤波图像
功能描述: 给定信号,对其进行傅里叶变换然后再进行反变换,绘制原始信号.傅里叶变换.傅里叶反变换的结果图像.给定信号,滤除其中某个频率范围的信号,绘制图像. 参考代码: 运行结果:
OpenCV Python学习笔记（5）—— 边缘保留滤波（EPF）
1 边缘保留滤波高斯双边均值迁移 2 测试 import cv2 as cv import numpy as npdef bi_demo(image):dst = cv.bilateralFilt ...
OpenCV —— 频率域滤波（傅里叶变换，低通和高通滤波，带通和带阻滤波，同态滤波）
频率域滤波基本概念傅里叶变换二维离散的傅里叶变换快速傅里叶变换傅里叶幅度谱与相位谱谱残差显著性检测卷积与傅里叶变换的频率域滤波低通滤波和高通滤波带通和带阻滤波同态滤波基本概念 ...
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) ...
matlab实现低通、高通、带通、带阻滤波
MATLAB滤波常用函数模拟滤波器阶数选择函数 buttord 功能:计算butterworth模拟滤波器的阶数调用格式: [n,Wn]=buttord(Wp,Ws,Rp,Rs,'s'); % 参 ...
C# FIR滤波器（含低通、高通、带通、带阻）
最近需要用到Fir滤波器,在网上也看了不少资料,发现一个稍微能用的(https://blog.csdn.net/BIGFatming/article/details/92386914),主要代码也是直 ...
FIR滤波器，低通、高通、带通、带阻VC实现
1.前言:数字信号处理相关知识准备通常来说,一种理想滤波器的频率响应是很容易理解的,如图所示. 图1 滤波器频响以低通为例,滤波器频率响应函数为 . 所谓滤波器处理的过程,简单来说,可以用公式 ...

OpenCV-python 实现低通滤波、高通滤波、带通滤波

OpenCV-python 实现低通滤波、高通滤波、带通滤波相关推荐

最新文章

热门文章