【计算机视觉】超简单！傅里叶变换的经典案例-EW帮帮网

微信交流群：https://732903.hlcode.cn/?id=NK1fWUR

Hey小伙伴们！今天来给大家分享一个 计算机视觉 中非常经典且重要的技术——傅里叶变换（Fourier Transform, FT）。傅里叶变换在图像处理、信号分析等领域有着广泛的应用，它可以帮助我们从频域的角度理解图像的特性，进行滤波、去噪、边缘检测等操作。

如果你对计算机视觉感兴趣，或者想学习如何用 Python 实现傅里叶变换，那这篇笔记一定要收藏哦！🚀

👉 什么是傅里叶变换？

傅里叶变换是一种将时域或空域中的信号转换为频域表示的数学工具。在图像处理中，傅里叶变换可以将一幅图像从空间域（即像素值）转换为频率域（即不同频率分量的幅度和相位）。通过这种方式，我们可以更方便地分析图像中的低频和高频信息，并对其进行处理。

低频分量：代表图像中的平滑区域或整体结构，通常对应于图像的背景或大尺度变化。
高频分量：代表图像中的细节或边缘信息，通常对应于图像中的纹理、噪声或小尺度变化。

👉 傅里叶变换的应用场景

图像滤波：通过去除或增强特定频率分量，可以实现图像的低通滤波（去噪）、高通滤波（边缘检测）等效果。
图像压缩：JPEG 等图像压缩算法利用了傅里叶变换的思想，通过对图像的频域表示进行量化和编码，减少存储空间。
图像去噪：傅里叶变换可以帮助我们识别并去除图像中的噪声，尤其是周期性噪声。
图像配准与重建：在医学图像处理中，傅里叶变换常用于图像配准、重建等任务。

👉 案例场景：图像去噪与边缘检测

我们来实现一个经典的案例：使用傅里叶变换对图像进行去噪和边缘检测。我们将使用 Python 的 numpy 和 opencv 库来处理图像，并展示如何通过傅里叶变换实现这些操作。

👉 代码实现

1. 安装依赖库

首先，确保你已经安装了以下依赖库：

pip install numpy opencv-python matplotlib

2. 加载并预处理图像

我们将使用一张带有噪声的图像作为示例。你可以从网上下载一张图片，或者使用 OpenCV 自带的测试图像。

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

# 读取图像（灰度图像）
image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)

# 显示原始图像
plt.figure(figsize=(8, 6))
plt.imshow(image, cmap='gray')
plt.title('原始图像')
plt.axis('off')
plt.show()

3. 执行傅里叶变换

使用 np.fft.fft2 函数对图像进行二维傅里叶变换，将图像从空间域转换为频率域。

# 执行傅里叶变换
f_transform = np.fft.fft2(image)

# 将频率分量移动到图像中心（shift）
f_transform_shifted = np.fft.fftshift(f_transform)

# 计算频谱图（取对数，便于显示）
magnitude_spectrum = 20 * np.log(np.abs(f_transform_shifted))

# 显示频谱图
plt.figure(figsize=(8, 6))
plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('频谱图')
plt.axis('off')
plt.show()

4. 创建低通滤波器

为了去除图像中的高频噪声，我们可以创建一个低通滤波器，只保留低频分量。

# 创建低通滤波器（圆形掩膜）
rows, cols = image.shape
crow, ccol = rows // 2, cols // 2  # 中心点
mask = np.zeros((rows, cols), np.uint8)
r = 50  # 滤波器半径
cv2.circle(mask, (ccol, crow), r, 1, -1)

# 显示低通滤波器
plt.figure(figsize=(8, 6))
plt.imshow(mask, cmap='gray')
plt.title('低通滤波器')
plt.axis('off')
plt.show()

# 应用低通滤波器
f_transform_filtered = f_transform_shifted * mask

# 计算滤波后的频谱图
magnitude_spectrum_filtered = 20 * np.log(np.abs(f_transform_filtered) + 1e-6)

# 显示滤波后的频谱图
plt.figure(figsize=(8, 6))
plt.imshow(magnitude_spectrum_filtered, cmap='gray')
plt.title('滤波后的频谱图')
plt.axis('off')
plt.show()

5. 执行逆傅里叶变换

使用 np.fft.ifft2 函数将滤波后的频率域图像转换回空间域，得到去噪后的图像。

# 执行逆傅里叶变换
f_ishift = np.fft.ifftshift(f_transform_filtered)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)

# 显示去噪后的图像
plt.figure(figsize=(8, 6))
plt.imshow(img_back, cmap='gray')
plt.title('去噪后的图像')
plt.axis('off')
plt.show()

6. 边缘检测

除了去噪，我们还可以利用傅里叶变换进行边缘检测。通过创建高通滤波器，只保留图像中的高频分量，从而突出边缘信息。

# 创建高通滤波器（反向圆形掩膜）
mask_highpass = 1 - mask

# 应用高通滤波器
f_transform_highpass = f_transform_shifted * mask_highpass

# 执行逆傅里叶变换
f_ishift_highpass = np.fft.ifftshift(f_transform_highpass)
img_edge = np.fft.ifft2(f_ishift_highpass)
img_edge = np.abs(img_edge)

# 显示边缘检测结果
plt.figure(figsize=(8, 6))
plt.imshow(img_edge, cmap='gray')
plt.title('边缘检测结果')
plt.axis('off')
plt.show()

👉 关键点解析

傅里叶变换：通过 np.fft.fft2 对图像进行二维傅里叶变换，将图像从空间域转换为频率域。np.fft.fftshift 用于将频率分量移动到图像中心，便于观察和处理。
频谱图：频谱图展示了图像中不同频率分量的分布情况。低频分量集中在图像中心，高频分量分布在图像边缘。通过观察频谱图，我们可以了解图像的频率特性。
低通滤波器：低通滤波器只保留低频分量，去除高频噪声。我们可以通过创建一个圆形掩膜来实现低通滤波器，并将其应用于傅里叶变换后的频率域图像。
逆傅里叶变换：通过 np.fft.ifft2 将滤波后的频率域图像转换回空间域，得到去噪后的图像。逆傅里叶变换的结果是一个复数矩阵，我们需要取其绝对值来获得最终的图像。
高通滤波器：高通滤波器只保留高频分量，突出图像中的边缘信息。我们可以通过创建一个反向圆形掩膜来实现高通滤波器，并将其应用于傅里叶变换后的频率域图像。