Python3+OpenCV（八）：频率域滤波增强

最新推荐文章于 2025-03-10 10:26:43 发布

原创

最新推荐文章于 2025-03-10 10:26:43 发布 · 4.6k 阅读

标签

#opencv

频域滤波增强的一般方法

1.对原始原图像f(x,y)进行傅里叶变换得到F(u,v)

2.将F(u,v)与滤波函数H(u,v)进行卷积运算得到G(u,v)

3.将G(u,v)进行傅里叶逆变换得到增强图像g(x,y)

4.取g(x,y)实部作为最终结果

1、频率域平滑滤波器

图像在传递过程中，由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H(u,v)来抑制高频成分，通过低频成分，然后再进行逆傅里叶变换获得滤波图像，就可达到平滑图像的目的。

低通滤波器传递函数的数学表达式如下：
在这里插入图片描述

(1) 理想低通滤波器(ILPF)

H(u,v)表示滤波函数
D(u,v)表示(u,v)到原点的距离
D0表示傅里叶平面上理想低通滤波器离开原点的截止频率
在这里插入图片描述

理想低通滤波器有陡峭频率的截至特性(直上直下)，会因此产生 振铃现象 使图像变得模糊。

(2) Butterworth低通滤波器(BLPF)

H(u,v)表示滤波函数
在这里插入图片描述

一阶BLPF没有振铃，二阶则稍有但几乎没有，高阶能明显感受到振铃现象。一般来说，二阶BLPF是有效的低通滤波器和可接受的振铃下的一个好的折中。

(3) 高斯低通滤波器(GLPF)(常用)

H(u,v)表示滤波函数
在这里插入图片描述

GLPF没有振铃现象，且GLPF没有二阶；BLPF剖面线紧凑，两者性能相差不大。

2、频率域锐化滤波器

图像的边缘、细节主要位于高频部分，而图像的模糊主要是由于高频成分比较弱产生的。频率域锐化就是为了消除模糊，突出边缘。

采用高通滤波器让高频成分通过，使低频成分削弱，再经傅里叶逆变换就可以得到边缘锐化的图像。

高通滤波器传递函数的数学表达式如下：
在这里插入图片描述

(1) 理想高通滤波器(IHPF)

H(u,v)表示滤波函数
在这里插入图片描述

IHPF通常具有振铃性质。微小物体和线条被加强，呈白色。

理想高通滤波器与理想低通滤波器是相对的

将以D0为半径的圆周内的所有频率置零
毫不衰减地通过圆周外地任何频率

(2) Butterworth高通滤波器(BHPF)

H(u,v)表示滤波函数(n阶)
在这里插入图片描述

BHPF比IHPF要平滑，边缘失真小。

(3) 高斯高通滤波器(GHPF)

H(u,v)表示滤波函数
在这里插入图片描述

GHPF比IHPF要平滑，边缘失真小。
GHPF与二阶BHPF对比，GHPF要更平滑，BHPF为IHPF的尖锐化和GHPF的完全平滑之间的一种过渡。

三种高通滤波器的特性类似于低通滤波器

理想高通滤波器有明显振铃现象
Butterworth高通滤波器较平滑，边缘失真小，二阶BHPF只有轻微振铃现象
高斯高通滤波器没有振铃现象，完全平滑

3、Python实现

"""
频域平滑滤波器
(1) 理想低通滤波器
(2) Butterworth低通滤波器
(3) 高斯低通滤波器

频域锐化滤波器
(1) 理想高通滤波器
(2) Butterworth高通滤波器
(3) 高斯高通滤波器
"""

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

def filter(img, D0, N=2, type='lp', filter='butterworth'):
    '''
    频域滤波器
    Args:
        img: 灰度图片
        D0: 截止频率
        N: butterworth的阶数(默认使用二阶)
        type: lp-低通 hp-高通
        filter:butterworth、ideal、Gaussian即巴特沃斯、理想、高斯滤波器
    Returns:
        imgback：滤波后的图像
    '''
    # 离散傅里叶变换
    dft = cv.dft(np.float32(img), flags=cv

最低0.47元/天解锁文章