傅里叶变换、滤波器、边缘检测

傅里叶变换和滤波器

1、图像的幅度谱

图像的幅度谱是另一种图像，幅度谱图像呈现了原始图像在变化方面的一中表示：把图像中最明亮的像素放到图像中央，然后逐渐变暗，在边缘上的像素最暗，这样可以发现图像中有多少量的像素和暗的像素，以及他们的分布百分比

2、高通滤波器（HPF）

高通滤波器是检测图像的某个区域，然后根据像素和周围像素的亮度差值来提升该像素的亮度的滤波器。

在计算完中央像素和周围临近像素的亮度差值之和以后，如果亮度变化很大，中央像素的亮度会增加（即：如果一个像素比周围的像素更加突出，就会提升他的亮度）

3、低通滤波器（LPF）

在像素和周围像素的亮度差值小于一个特定的值得时候，平滑改像素的亮度，主要用于去噪和模糊化，比如说，高斯模糊是最常用的模糊滤波器之一，他是一个削弱高频信号强度的低通滤波器。

4、边缘检测

边缘检测函数会很容易的将噪声错误的识别为边缘，为了缓解这个问题，就是先进性模糊处理：

模糊滤波函数：

blur()，medianBlur()，GaussianBlur()。

medianBlur()，对于取出数字化的视频噪声非常有效，特别是去除彩色图像的噪声

边缘检测函数：

Laplacian()  Sobel()  Scharr() ,这些滤波函数都会将非边缘区域转换为黑色，边缘区域转为白色或者其他饱和的颜色

检测的步骤：

medianBlur（）进行去噪  

——》  将BGR转换为灰度色彩空间 

——》  laplacian（）边缘检测 

——》  需要将其转化为黑色边缘和白色背景的图像

——》归一化（像素值位于0，1之间），并乘以原图像以便能使边缘变黑

5、卷积内核

• 边缘检测核：权重的和为0，边缘转换为白的，非边缘转换为黑色
• 模糊滤波核：权重的和为1，并且临近的像素权重为正数
• 锐化滤波核：权重的和为1，但是有负值
• 以上三种都是高度对称的核，可以自己创建一个同时具有模糊（有正的权重）和锐化（有负的权重）的核，会产生脊装或者浮雕的效果

edgeskernel = numpy.array([[1, 1, 1],
                           [1, 8, 1],
                           [1, 1, 1]])

blurkernel = numpy.array([[0.04, 0.04, 0.04, 0.04, 0.04],
                           [0.04, 0.04, 0.04, 0.04, 0.04],
                           [0.04, 0.04, 0.04, 0.04, 0.04],
                           [0.04, 0.04, 0.04, 0.04, 0.04],
                           [0.04, 0.04, 0.04, 0.04, 0.04],])

shapenkernel = numpy.array([[1,1,1],
                            [1,9,1],
                            [1,1,1]])

embosskernel = numpy.array([[-2,-1,0],
                            [-1,1,1],
                            [0,1,2]])