1. 快速傅里叶变换（FFT）

原始二维傅里叶变换公式：

np工具箱中有fft2函数可以对图像做二维快速傅里叶变换（不断分解成更小的、更容易的小蝶形变换替换大变换），但是要让输出的频谱图更有视觉效果，需要把四个角的中心点移动到矩阵中心，并做对数变换

代码：

import numpy as np
import cv2
import matplotlib.pyplot as pltdef FFT(path):img = plt.imread(path)plt.subplot(121)plt.imshow(img)plt.title('img')# 转化为灰度图img = 0.2126 * img[:,:,0] + 0.7152 * img[:,:,1] + 0.0722 * img[:,:,2]# 快速傅里叶变换img_fft = np.fft.fft2(img)# 原点移动img_fft = np.fft.fftshift(img_fft)# 对数变换img_fft = np.log(1 + np.abs(img_fft))plt.subplot(122)plt.imshow(img_fft,'gray')plt.title('img_fft')plt.show()FFT('man.jpg')

输出图像：（原图由网上下的人物图）

2. 离散余弦变换

原始二维离散余弦变换：

cv2工具箱中有dct函数可以实现对图像的二维离散余弦变换，通过经过对数变换可以更好地观察

代码：

import numpy as np
import cv2
import matplotlib.pyplot as pltdef DCT(path):img = cv2.imread(path, 0)img = img.astype('float32')plt.subplot(121)plt.imshow(img, cmap='gray')plt.title('img_gray')# 离散余弦变换img_dct = cv2.dct(img)# 对数变换img_dct = np.log(1+ np.abs(img_dct))plt.subplot(122)plt.imshow(img_dct, cmap='gray')plt.title('img_dct')plt.show()DCT('man.jpg')

输出图像：

3. 相位谱、幅度谱结合

3.1. 相位谱、幅度谱提取：

相位谱、幅度谱定义：

代码：

import numpy as np
import cv2
from matplotlib import pyplot as pltdef magnitude_phase_split(img):# 分离幅度谱与相位谱dft = np.fft.fft2(img)dft_shift = np.fft.fftshift(dft)# 幅度谱magnitude_spectrum = np.abs(dft_shift)# 相位谱phase_spectrum = np.angle(dft_shift)return magnitude_spectrum,phase_spectrum

3.2. 不同图像的相位、幅度谱交替结合

图1的幅度谱和图2的相位谱结合，重构图像以图2信息为主

图2的幅度谱和图1的相位谱结合，重构图像以图1信息为主

代码：

def magnitude_phase_combine(img_m,img_p):# 不同图像幅度谱与相位谱结合img_mandp = img_m*np.e**(1j*img_p)# 图像重构img_mandp = np.uint8(np.abs(np.fft.ifft2(img_mandp)))img_mandp =img_mandp/np.max(img_mandp)*255return img_mandp# 读取图像 主图和纹理图
img1 = cv2.imread("man.jpg",0)
img2= cv2.imread("rock1.jpg",0)# 分离幅度谱与相位谱
img1_m,img1_p = magnitude_phase_split(img1)
img2_m,img2_p = magnitude_phase_split(img2)# 合并幅度谱与相位谱
# 主图的幅度谱+纹理图的相位谱 以纹理图为主
img_1mAnd2p = magnitude_phase_combine(img1_m,img2_p)
# 纹理图的幅度谱+主图的相位谱 以主图为主
img_2mAnd1p = magnitude_phase_combine(img2_m,img1_p)plt.figure(figsize=(10,8))
plt.subplot(321)
plt.xlabel("man")
plt.imshow(img1,cmap="gray")
plt.subplot(322)
plt.imshow(img2,cmap="gray")
plt.xlabel("rock")
plt.subplot(323)
plt.imshow(img_1mAnd2p,cmap="gray")
plt.xlabel("man_and_rock_p")
plt.subplot(324)
plt.imshow(img_2mAnd1p,cmap="gray")
plt.xlabel("rock_m_and_man_p")
plt.show()

输出结果：

3.3. 不同图像相应谱结合实现艺术效果

由于相位谱内容占比决定最终图像中的信息占比，则通过加权相加并调节权重，可以实现在主图的基础上结合纹理图的纹理信息，从而得到艺术效果

代码：

def magnitude_phase_add(img1_m, img2_m, img1_p, img2_p):# 不同图像幅度谱和相位谱对应加权相加img_m = img1_m * 0.4 + img2_m * 0.6img_p = img1_p * (np.sum(img2_p) / (np.sum(img1_p) + np.sum(img2_p))) + img2_p * (np.sum(img1_p) / (np.sum(img1_p) + np.sum(img2_p)))# 图像重构img = img_m * np.e ** (1j * img_p)img = np.uint8(np.abs(np.fft.ifft2(img)))img = img / np.max(img) * 255return img# 读取图像 主图和纹理图
img1 = cv2.imread("cqh.jpg",0)
img2= cv2.imread("rock1.jpg",0)# 分离幅度谱与相位谱
img1_m,img1_p = magnitude_phase_split(img1)
img2_m,img2_p = magnitude_phase_split(img2)# 合并幅度谱与相位谱
# 主图和纹理图相应谱加权像家 以主图为主，以纹理图为辅，形成艺术效果
img_add = magnitude_phase_add(img1_m, img2_m, img1_p, img2_p)plt.figure(figsize=(10,8))
plt.subplot(221)
plt.xlabel("cqh")
plt.imshow(img1,cmap="gray")
plt.subplot(222)
plt.imshow(img2,cmap="gray")
plt.xlabel("rock")
plt.subplot(223)
plt.imshow(img_add,cmap="gray")
plt.xlabel("artistic imgage")
plt.show()

输出结果：

参考博文：

两幅图像幅度谱和相位谱替换_陨星落云的博客-CSDN博客

Python-opencv fft、dct变换 + 幅度、相位谱结合实现艺术效果相关推荐

Python+OpenCV：形态学变换
Python+OpenCV:形态学变换理论形态学变换是基于图像形状的一些简单操作. 它通常在二值图像上执行.它需要两个输入,一个是我们的原始图像,另一个是结构元素(structuring elem ...
matlab画傅立叶变换后相位谱,对一幅图像进行傅里叶变换后，包含频谱（也叫幅度谱）和相位谱两部分，请问那一部分更重要？...
对一幅图像进行傅里叶变换后,包含频谱(也叫幅度谱)和相位谱两部分,请问那一部分更重要? 更多相关问题 [判断题] 抗盐产品切换到中分时,生产线不需要酸洗. [判断题] 机械密封中的载荷系数不是越大越好 ...
离散信号经过FFT处理后,幅度,相位,功率的计算
<1> : 每点对应的实际幅度等于fft后对应点实部和虚部的平方根再乘以2/N,N是采样点数,不过直流分量即第一点须除N 幅值:(假设你只须分析x次以下谐波) for(i=0;i<x ...
图像变换——（DFT、DCT变换,IDFT、IDCT重建）
目的:对图像进行离散傅立叶变换(DFT).离散余弦变换(DCT)变换,并对图像傅立叶变换的结果进行必要解释,使用IDFT.IDCT对图像进行重建,分析重建后的图像.操作过程中获取两帧图像,对这两帧图像 ...
python opencv 常用增强 dct变换+侵蚀+扩张+索贝尔算子+直方图均衡化+光照平衡+
裁剪操作 img=img[100:200,:,:] 通道置零 img[:,:,2]=0 侵蚀扩张 frame = cv2.erode(frame, kernel=np.ones((5, 5))) # ...
fft 相位谱_信号处理之功率谱原理与python实现
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达功率谱图又叫功率谱密度图功率谱是功率谱密度函数的简称,它定义为单位频带内的信号功率.它表示了信号功率随着频率的变化情况 ...
频谱分析：c和python对比FFT的效率并画出幅度谱
一.c语言编写的FFT程序 c语言程序正弦波表达式为: s(t) = 0.6 sin( 2π 50t ) 和s(t) = 0.6 sin( 2π 500t ) 频率为8000Hz,近似为8192 F ...
OPenCV：傅里叶变换、时域和频域、频谱和相位谱、傅里叶级数、离散傅里叶变换(DFT)、频域滤波、高通和低通滤波器、带通和带阻滤波器
日萌社人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 快速了解傅立叶变换(播放PPT即能动态地显示gif图) ...
用FFT求信号相位谱
先看一下我收到的程序,作为研究对象的信号是这样产生的: T=128; N=128; dt=T/N; t=dt*(1:N); x=2*cos(2*t-p ...

Python-opencv fft、dct变换 + 幅度、相位谱结合实现艺术效果