图像的高频和低频滤波处理

这篇具有很好参考价值的文章主要介绍了图像的高频和低频滤波处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

图像的高频和低频

低频对应图像内变化缓慢的灰度分量。列如,在一副大草原上的图像中,低频对应着广袤的颜色趋于一致的草原

高频对应着图像内变化越来越快的灰度分量,是由灰度的尖锐过度造成的,列如,在一副大草原的图像中,其中狮子的边缘等信息

衰减高频而通过低频,低通滤波器,将模糊一幅图像
衰减低频而通过高频,高通滤波器,将增强尖锐的细节,但是会导致图像的对比度降低

滤波

接受(通过)或者拒绝一定频率的分量
通过低频的滤波器称为低通滤波器
通过高频的滤波器称为高通滤波器 

修改傅里叶变换以达到特殊的目的,然后计算IDFT返回到图像域
特殊目的:图像增强、图像去燥、边缘检测、特征提取、压缩、加密等

代码:高频滤波,中心部分设置成0

import numpy as np
import cv2    #opencv-python
import matplotlib.pyplot as plt

img = cv2.imread("../images/chenqiaoen.jpg",0)
#傅里叶变换
f = np.fft.fft2(img)
#得到左上角低频成分放到中间
fshift = np.fft.fftshift(f)

#得到图片的行列,也就是宽高
rows,cols = img.shape
#获取中心位置
crow,ccol = int(rows/2),int(cols/2)
#中心低频的区域,+-30都变为0
fshift[crow-30:crow+30,ccol-30:ccol+30] = 0

#低频中心位置移动到左上角
ishift = np.fft.ifftshift(fshift)
#傅里叶逆变换
iomage = np.fft.ifft2(ishift)
#取绝对值
iimg = np.abs(iomage)

#展示
plt.subplot(121)
plt.imshow(img,cmap = "gray")
plt.title("original")
plt.axis("off")

plt.subplot(122)
plt.imshow(iimg,cmap="gray")
plt.title("iimg")
plt.axis('off')
plt.show()

 效果展示:左边是原始图像,右边是滤掉低频的图像

图像的高频和低频滤波处理

代码:低频滤波,中心部分设置成1

图像的高频和低频滤波处理

# -*- coding: utf-8 -*-
"""
create time:2023年4月1日17:37:22
@author: seer_HT
"""

import numpy as np
import cv2    #opencv-python
import matplotlib.pyplot as plt

img = cv2.imread("../images/chenqiaoen.jpg",0)
#傅里叶变换
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
#低频左上角移动到中心位置
dftShift = np.fft.fftshift(dft)

#计算中心位置,行列
rows,cols = img.shape
crow,ccol=int(rows/2),int(cols/2)
#眼膜图像,2通道
mask = np.zeros((rows,cols,2),np.uint8)
#中心位置设置成1
mask[crow-30:crow+30,ccol-30:ccol+30]=1

#眼膜和频谱图像进行乘法,得到低通滤波
fShift = dftShift*mask
#低频移动到左上角
ishift = np.fft.ifftshift(fShift)

#傅里叶反变换
iImg = cv2.idft(ishift)
#将俩个通道的图像转换为灰度图像
Imgre = cv2.magnitude(iImg[:,:,0],iImg[:,:,1])

plt.subplot(121)
plt.imshow(img,cmap="gray")
plt.title("original")
plt.axis('off')

plt.subplot(122)
plt.imshow(Imgre,cmap='gray')
plt.title('inverse')
plt.axis('off')
plt.show()

效果展示:

图像的高频和低频滤波处理文章来源地址https://www.toymoban.com/news/detail-469407.html

到了这里,关于图像的高频和低频滤波处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【C++】【图像处理】均值滤波和高斯滤波(低通滤波)算法解析(以.raw格式的图像为基础进行图像处理、gray levels:256)

     中值滤波: 中值滤波中的MidValueFind函数的实现就是冒泡排序,最后去中间值返回:  Soble算子边缘提取:     总结: 1、均值、高斯滤波和Sobel算子边缘提取的核心,创建卷积核并确定各个点上的权重,然后将边缘灰度级归零(是否边缘归零按业务需求决定),提取非边缘像

    2024年02月05日
    浏览(53)
  • 【C++】【图像处理】均值滤波 and 高斯滤波 and 中值滤波(低通滤波)算法解析(以.raw格式的图像为基础进行图像处理、gray levels:256)

     中值滤波: 中值滤波中的MidValueFind函数的实现就是冒泡排序,最后去中间值返回:  Soble算子边缘提取:     总结: 1、均值、高斯滤波和Sobel算子边缘提取的核心,创建卷积核并确定各个点上的权重,然后将边缘灰度级归零(是否边缘归零按业务需求决定),提取非边缘像

    2024年02月05日
    浏览(43)
  • 数字图像处理【4】图像空间滤波-锐化

    对于初学者来说,可能没能搞清楚哪些是图像的高频信息,低频信息指代的是什么。 低频指的就是灰度变化比较小的像素区域 高频指的就是灰度变化比较大的像素区域 所谓灰度变化比较小的图像就是,内容;所谓灰度变化比较大的图像就是,边缘和纹理; 边缘:灰度变化较

    2024年02月10日
    浏览(41)
  • ZYNQ图像处理(6)——均值滤波和中值滤波

    首先要做的是最简单的均值滤波算法。均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围 8 个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像

    2024年02月08日
    浏览(49)
  • 图像处理:高斯滤波算法

    目录 前言 概念介绍 基本原理 卷积核的大小 卷积核的形状和权重比 卷积核的归一化 结论 Opencv实现高斯滤波 Python手写实现高斯滤波 参考文章 在此之前,我曾在此篇中推导过图像处理:推导五种滤波算法(均值、中值、高斯、双边、引导)。这在此基础上,我想更深入地研

    2024年02月02日
    浏览(37)
  • 图像处理之空间滤波

    1.1 空间滤波简介   滤波器即只让一部分频率的波形通过来达到波形过滤目的的器件。空间域指一张图像像素平面一定范围内的像素域,相对的是时间域,即多帧图像之间的关系,主要在处理视频帧时描述。在图像处理中,滤波分为两种: 频域滤波,将图像转换到频域进行

    2024年02月06日
    浏览(35)
  • 图像处理之高斯滤波

    高斯函数广泛应用于统计学领域,用于表述正态分布,在信号处理领域,用于定义高斯滤波器,在图像处理领域,二维高斯核函数常用于高斯模糊Gaussian Blur,在数学领域,主要是用于解决热力方程和扩散方程,以及定义Weiertrass Transform。 高斯函数,Gaussian Function, 也简称为

    2024年02月16日
    浏览(37)
  • 【数字图像处理】空间滤波

    图像空间滤波是一种常用的图像处理技术,用于改变图像的亮度、对比度、锐度、噪声等特性。它是一种直接在图像空间进行像素操作的处理方法,与频域滤波不同,频域滤波是通过对图像进行傅里叶变换,然后在频域进行滤波处理。本文仅对常用的低通和高通空间滤波进行

    2024年02月04日
    浏览(37)
  • <图像处理> 空间滤波基础

    图像滤波是一种常见的图像处理技术,用于平滑图像、去除噪音和边缘检测等任务。图像滤波的基本原理是在进行卷积操作时,通过把每个像素的值替换为该像素及其邻域的设定的函数值来修改图像。 预备知识:可分离滤波核、边缘填充。 1、盒式滤波器(方框滤波器) 盒式

    2024年02月09日
    浏览(35)
  • 图像处理:双边滤波算法

    今天主要是回顾一下双边滤波,我曾经在这篇——图像处理:推导五种滤波算法中推导过它,其中包含了我自己写的草稿图。 目录 双边滤波算法原理 (1)空间域核  (2)值域核 理解双边滤波 空域权重​编辑和值域权重​编辑的意义 Opencv实现双边滤波 双边滤波代码实现

    2024年02月02日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包