OpenCv图像处理: 时域滤波与频域滤波

                         

 时域滤波:

空间域滤波的步骤一般如下:

1. 选择滤波器

选择一种低通滤波器,常见的包括:

  • 均值滤波(平均滤波器)
  • 高斯滤波(Gaussian filter)

2. 定义滤波器核

根据选择的滤波器类型,定义相应的滤波器核。例如,对于高斯滤波,可以使用高斯函数创建一个二维核。

3. 图像边界处理

决定如何处理图像边界。常见的方法有:

  • 零填充(Zero padding)
  • 镜像扩展(Mirror padding)

4. 卷积操作

对图像应用滤波器,通常使用卷积操作。具体步骤如下:

  • 对图像中的每一个像素,使用滤波器核计算加权和。
  • 替换图像中当前像素的值为加权和的结果。
import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
image = cv2.imread('image.jpg')# 定义均值滤波器核 lp
#kernel_size = 5
#kernel = np.ones((kernel_size, kernel_size), np.float32) / (kernel_size * kernel_size)# 拉普拉斯卷积核 hp
kernel = np.array([[0, -1, 0],[-1, 4, -1],[0, -1, 0]])# 应用卷积
low_pass_filtered = cv2.filter2D(image, -1, kernel)# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')plt.subplot(1, 2, 2)
plt.title('Low Pass Filtered Image (Spatial Domain)')
plt.imshow(cv2.cvtColor(low_pass_filtered, cv2.COLOR_BGR2RGB))
plt.axis('off')plt.tight_layout()
plt.show()

频域滤波: 

频域低通滤波的步骤通常如下:

1. 傅里叶变换

将图像从时域转换到频域。使用快速傅里叶变换(FFT)来实现。

2. 中心化傅里叶频谱

将频谱中心化,以便高频成分位于中心位置,便于创建滤波器。

3. 创建低通滤波器

设计一个低通滤波器,例如:

  • 理想低通滤波器:保留中心圆内的频率,抑制外部频率。
  • 高斯低通滤波器:根据高斯函数构建一个平滑的低通滤波器。

4. 应用低通滤波器

将低通滤波器应用于中心化后的频谱,通常通过逐元素相乘实现。

5. 逆傅里叶变换

对经过低通滤波的频谱进行逆傅里叶变换,将其转换回时域。

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
image = cv2.imread('image.jpg', 0)  # 以灰度图读取
# image = cv2.resize(image, (512, 512))  # 调整大小,方便处理# 进行傅里叶变换
dft = np.fft.fft2(image)
dft_shift = np.fft.fftshift(dft)# 获取图像尺寸
rows, cols = image.shape
crow, ccol = rows // 2, cols // 2# # 创建高斯低通滤波器
# def gaussian_lowpass(rows, cols, cutoff):
#     x = np.arange(0, cols)
#     y = np.arange(0, rows)
#     x, y = np.meshgrid(x, y)
#     gaussian = np.exp(-((x - ccol) ** 2 + (y - crow) ** 2) / (2 * (cutoff ** 2)))
#     return gaussian
#
# cutoff_radius = 30
# mask = gaussian_lowpass(rows, cols, cutoff_radius)# 创建理想高通滤波器
cutoff_radius = 30 # 设置截止频率(低频成分被抑制的半径)
mask = np.ones((rows, cols), np.uint8)
x, y = np.ogrid[0:rows, 0:cols]
center = (crow, ccol)
mask[(x - center[0])**2 + (y - center[1])**2 <= cutoff_radius**2] = 0# 应用低通滤波器
filtered_dft = dft_shift * mask  # 时域卷积=频域相乘# 进行逆傅里叶变换
filtered_image = np.fft.ifft2(np.fft.ifftshift(filtered_dft))
filtered_image = np.abs(filtered_image)# 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title('Original Image')
plt.imshow(image, cmap='gray')
plt.axis('off')plt.subplot(1, 2, 2)
plt.title('Low Pass Filtered Image (Frequency Domain)')
plt.imshow(filtered_image, cmap='gray')
plt.axis('off')plt.tight_layout()
plt.show()

cutoff_radius = 30 在频域高通滤波的上下文中指的是截止频率。具体而言,它代表了在频域中,低频成分被抑制的半径。

解释:
高通滤波器:当频率小于这个截止半径的频率成分会被滤除,而高于这个半径的成分会被保留。
单位:这个参数的单位通常与图像的尺寸相关,表示频谱中距离中心点的距离。


效果:
选择合适的截止频率非常重要,过低的截止频率会导致图像细节丢失,而过高的截止频率可能保留过多噪声。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/403775.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【C++篇】迈入新世界的大门——初识C++(上篇)

文章目录 C发展历史C起源C版本更新C23小故事 C在工作领域的应用C参考网站及文档书籍编程语言排行榜C难度参考文档书籍参考文档参考书籍 C第一个程序命名空间为什么要使用namespacenamespace定义及规则命名空间使用 C输入&输出名字含义 缺省参数函数重载 C发展历史 C起源 …

VUE中出现Cannot find module ‘@/api/xxx.js‘ or its corresponding type declarations

在使用VSCode编写Vue程序时发现之前使用以下代码时却报出了错误 import {getEmployeeList} from /api/employee\ 保证文件地址正确且其中的方法也可以正常调用&#xff0c;只是报出了错误&#xff0c;该行代码上加入一个‘//ts-ignore’就可以解决。 修改后的代码 //ts-ig…

python基础篇(15):闭包

在函数嵌套的前提下&#xff0c;内部函数使用了外部函数的变量&#xff0c;并且外部函数返回了内部函数&#xff0c;我们把这个使用外部函数变量的内部函数称为闭包。 1 简单闭包 def outer(logo):def inner(msg):print(f"<{logo}>{msg}<{logo}>")retu…

苹果(ios)私钥证书和profile文件申请教程

苹果&#xff08;ios&#xff09;私钥证书&#xff0c;可以理解为p12后缀的苹果证书&#xff0c;我们在苹果开发者中心可以生成cer格式的证书&#xff0c;然后使用mac电脑或者第三方转换成p12后缀格式的私钥证书。 证书profile文件&#xff0c;又叫描述文件&#xff0c;这个文…

Android系统和开发--安全性和权限管理 SELinux 策略 安全架构

学习android权限知识 SElinux chmod -R 777 ./ setenforce 0 adb root su fastboot oem at-unlock-vboot adb disable-verity Android权限 Android系统是基于Linux内核构建的&#xff0c;因此它继承了Linux的权限管理机制。Android应用需要通过声明权限来访问系统的某些功能&…

融资融券利率和手续费详情,融资融券开通门槛50W资产必须沪深市值?

融资融券利率和手续费 融资融券就是可以向证券公司借钱借券来进行证券交易&#xff0c;实现杠杆操作。融资是向证券公司借款买入股票&#xff0c;而融券则是向证券公司借入股票并卖出。 融资融券的利率是浮动的、个性化的&#xff0c;但一般最低可以达到4.0%~5.0%&#xff0c…

Selenium + Python 自动化测试14(发送报告)

我们的目标是&#xff1a;按照这一套资料学习下来&#xff0c;大家可以独立完成自动化测试的任务。 上一篇我们讨论了使用HTMLTestRunner 生成HTML报告的方法。 本篇文章我们接着讲生成HTML报告是否可以自动邮件发送出去&#xff0c;提高我们测试报告的及时性&#xff0c;方便…

WordPress美化节日灯笼插件,适合春节的时候使用

源码介绍&#xff1a; WordPress美化节日灯笼插件&#xff0c;适合每年过年的时候安在网站上使用&#xff0c;这款插件可以备用着&#xff0c;一款WordPress节日灯笼美化插件&#xff0c;可以给网页自动加一个灯笼效果使用说明&#xff1a;到网站WP后台 - 插件 - 安装插件 - 上…

Java代码基础算法练习-乘阶求和-2024.08.18

对应的源代码可以在我的 Gitee 仓库中找到&#xff0c;欢迎star~ [Gitee 仓库](https://gitee.com/yukongji/java-basic-algorithm) 任务描述&#xff1a; 求Sn1!2!3!4!5!…n!之值&#xff0c;其中n是一个数字(n<10)。 解决思路&#xff1a; 输入: 读取用户输入的 n 值。检查…

Android:使用Gson常见问题(包含解决将Long型转化为科学计数法的问题)

一、解决将Long型转化为科学计数法的问题 1.1 场景 将一个对象转为Map类型时&#xff0c;调用Gson.fromJson发现&#xff0c;原来对象中的long类型的personId字段&#xff0c;被解析成了科学计数法&#xff0c;导致请求接口失败&#xff0c;报参数错误。 解决结果图 1.2、Exa…

leetcode108.把升序数组转换成二叉搜索树

题目描述 [-10,-3,0,5,9] 转换成如下二叉搜索树&#xff1a; 解题的核心原理是&#xff1a;二叉搜索树的中序遍历结果是一个升序数组&#xff0c;所以根节点的数值&#xff0c;也位于数组的中部。 class Solution {public TreeNode sortedArrayToBST(int[] nums) {return h…

基于Hadoop的汽车大数据分析系统设计与实现【爬虫、数据预处理、MapReduce、echarts、Flask】

文章目录 有需要本项目的代码或文档以及全部资源&#xff0c;或者部署调试可以私信博主项目介绍爬虫数据概览HIve表设计Cars Database Tables1. cars_data2. annual_sales_volume3. brand_sales_volume4. city_sales_volume5. sales_volume_by_year_and_brand6. sales_distribu…

MATLAB 手动实现一种高度覆盖值提取建筑物点云的方法(74)

专栏往期文章,包含本章 MATLAB 手动实现一种高度覆盖值提取建筑物点云的方法(74) 一、算法介绍二、算法实现1.代码2.效果总结一、算法介绍 手动实现一种基于高度覆盖值的建筑物点云提取方法,适用于高大的城市建筑物,比只利用高度提取建筑物的方法更加稳定和具有价值,主要…

IntelliJ IDEA 集成 ShardingSphere-JDBC 访问分库分表

背景 众所周知&#xff0c;IntelliJ IDEA 是 Java 领域常用的开发工具之一&#xff0c;IDEA Ultimate&#xff08;旗舰版&#xff09;或其他例如 DataGrip 等 Intellij 平台的工具都集成了对数据库的访问能力。 但是&#xff0c;对于做了分库分表的项目&#xff0c;直接使用 …

消防隐患在线小程序的设计

管理员账户功能包括&#xff1a;系统首页&#xff0c;个人中心&#xff0c;用户管理&#xff0c;消防隐患举报管理&#xff0c;消防隐患分类管理&#xff0c;统计分类管理&#xff0c;处理结果管理&#xff0c;系统管理 微信端账号功能包括&#xff1a;系统首页&#xff0c;我…

学习笔记 韩顺平 零基础30天学会Java(2024.8.18)

P514 Vector源码解读 P515 双向链表模拟 LinkedList的添加和删除可以通过改变节点的指向完成 遍历的时候&#xff0c;如果要重新遍历&#xff0c;要把指针调回到最前面或者最后面&#xff0c;才能重新全部遍历一次 插入的时候&#xff0c;插入对象的next和pre都要操作&#xff…

探索tailwindcss多主题切换

现在的多主题切换基本上都是用的 css 变量的形式, 而tailwindcss也支持 css 变量定义主题的方式 至于为什么用 tailwindcss变量, 还是因为 tailwind 写类名提示比较方便, 也不需要再在css或者style中去一个个var的形式去写变量了 这里我在assets/style/theme文件夹中创建了三个…

音视频开发

通过多线程分别获取高分辨率(1920 * 1080)和低分辨率(1280 * 720) 初始化VI模块 初始化HIGH VENC模块 初始化LOW VENC模块 初始化RGA模块 绑定 VI和HIGH VENC 绑定 VI和RGA 创建线程 HIGH VENC处理 RGA处理 LOW VENC处理 销毁 QP原理的讲解 QP参数调节&#xff0c;指的是量化…

【后端记录】修复MySql的错误修改的数据记录【binlog修复】

前言 今天入门后端的时候&#xff0c;不小心改了非预期的数据&#xff0c;因为还没学到事务&#xff0c;所以恢复数据还比较麻烦&#xff0c;站在巨人的肩膀上还是解决了&#xff0c;原文连接在下面 https://blog.csdn.net/qq_42874315/article/details/140480570 解决办法 原…

【自动驾驶】控制算法(二)三大坐标系与车辆运动学模型

写在前面&#xff1a; &#x1f31f; 欢迎光临 清流君 的博客小天地&#xff0c;这里是我分享技术与心得的温馨角落。&#x1f4dd; 个人主页&#xff1a;清流君_CSDN博客&#xff0c;期待与您一同探索 移动机器人 领域的无限可能。 &#x1f50d; 本文系 清流君 原创之作&…