数字图像处理作业：频率域处理

一，知识总结

频率域处理与空间域处理的差异性

1.频率滤波器有三种

1.低通滤波器（频率域平滑）:边缘和噪声等尖锐变化处于傅里叶变换的高频部分
使低频分量顺利通过而有效阻止高频分量，这样可以滤除频域中高频部分的噪声，经过逆变换就可以得到平滑图像。

缺点：牺牲图像清晰度为代价来减少干扰效果。如果滤除的高频分量中含有大量的边缘信息，会发生边缘模糊现象：振铃
类型： 理想低通滤波器：尖锐 /
巴特沃斯低通滤波器：处于两者之间
高斯低通滤波器：平滑

2.高通滤波器（频率波锐化）:相反

3.同态滤波器:把频率过滤和灰度变换结合起来,解决光照不均匀问题，利用压缩亮度范围和增强对比度来改善图像质量

2.频域处理的前提假设：

1.引起图像质量下降的噪声占频谱的高频段
2.图像边缘占高频段
3.图像主题或灰度缓变区占低频段

3频率域处理的滤波步骤：

1.预处理
2.傅里叶变换
3.频率域滤波
4.傅里叶反变换
5.后处理
【可以先得到频谱图，再中心变换；也可以先中心变换，再计算频谱图】

4.频域基本的滤波模型

G(u,v)=H(u,v)F(u,v)
H(u,v)：频域滤波器函数
F(u,v)：图像的傅里叶变换
G(u,v)：频域目标图像

5.求解过程：

利用傅里叶变换将原问题变换到频域上解决
应用反变换，将频域内的解转化为原问题的解

6.傅里叶变换的主要性质：

平移性： 将低频分量集中再频率平面中心
旋转性：原图像旋转，其幅度谱图像也旋转
卷积定理：f(x,y)*h(x,y)-------F(u,v)H(u,v)

7傅里叶变换的应用：

1.图像滤波：
傅里叶变换后的图像，中间为低频，越靠外频率越高
2.图像压缩
将高频系数置为0，以骗过人眼

什么是卷积：
卷积是空间域过滤和频率域过滤之间的纽带
应用在于：匹配，是否有感兴趣的物体区域

8.举例频率域处理与空间域处理的差异性

高通滤波：

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


def convert_2d(r):
    r_ext = np.zeros((r.shape[0] * 2, r.shape[1] * 2))
    for i in range(r.shape[0]):
        for j in range(r.shape[1]):
            r_ext[i][j] = r[i][j]
    # 傅里叶变换
    r_ext_fu = np.fft.fft2(r_ext)
    # 将低频信号移到图像中央
    r_ext_fu = np.fft.fftshift(r_ext_fu)

    # 截止频率
    d0 = 20
    n = 2
    # 算出频率域中心坐标
    center = (r_ext_fu.shape[0] // 2, r_ext_fu.