离散傅立叶变换与逆变换

一、怎样为一副图像增加一个通道

    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-RightMat 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

离散傅立叶变换与逆变换相关推荐

UA OPTI512R 傅立叶光学导论17 离散傅立叶变换简介
UA OPTI512R 傅立叶光学导论17 离散傅立叶变换简介 DFT及其矩阵形式 DFT的性质上一讲提到对连续波形f(x)f(x)f(x)做周期性采样时可以用采样函数来表示采样结果: fS(x)= ...
理解离散傅立叶变换（三.复数）
理解离散傅立叶变换(三) ------复数形式离散傅立叶变换复数形式的离散傅立叶变换非常巧妙地运用了复数的方法,使得傅立叶变换变换更加自然和简洁,它并不是只是简单地运用替换的方法来运用复数,而是完全 ...
傅立叶变换系列（四）离散傅立叶变换
说明: 傅里叶级数.傅里叶变换.离散傅里叶变换.短时傅里叶变换...这些理解和应用都非常难,网上的文章有两个极端:"Esay" Or "Boring"!如果 ...
线性变换+DFT（离散傅立叶变换）+滤波
线性变换+DFT+滤波最近又点开了一个关于傅立叶变换的文章,里面通过动画的形式展示了如何将一个时域的输入信号展开成多个正余弦信号的叠加.看起来好像醍醐灌顶,懂了,然后又忘了. 其实,仔细想了想,傅立 ...
用Matlab编程实现图像的傅立叶变换和逆变换并显示出来
用Matlab编程实现图像的傅立叶变换和逆变换并显示出来 % 用Matlab编程实现图像的傅立叶变换并显示出来 % 可进行傅立叶变换和逆变换恢复 clear all close all clc I=i ...
离散傅立叶变换推导(DF、IDFT)
mazonex离散傅立叶变换视频笔记需要先了解傅里叶变换推导(FT.IFT) 本文仅作为笔记,推导思想和图片来自视频周期为2π2\pi2π的函数的复数形式展开(傅里叶级数) 在上一篇文章中part ...
理解离散傅立叶变换（一）——傅立叶变换的由来
理解离散傅立叶变换(一) --傅立叶变换的由来关于傅立叶变换,无论是书本还是在网上可以很容易找到关于傅立叶变换的描述,但是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生畏的公式的罗列,让 ...
理解离散傅立叶变换（四. 复数形式离散傅立叶变换）
原文链接 https://blog.csdn.net/dznlong/article/details/2280867 理解离散傅立叶变换(四) ------复数形式离散傅立叶变换复数形式的离散傅立叶 ...
OpenCV 【十七】离散傅立叶变换
目录 1 key 2 原理 3 实例 3代码 4运行结果 5应用举例 1 key 什么是傅立叶变换及其应用? 如何使用OpenCV提供的傅立叶变换? 相关函数的使用,如: copyMakeBorder ...

离散傅立叶变换与逆变换

离散傅立叶变换与逆变换相关推荐

最新文章

热门文章