低通滤波opencv

理论基础知识，高通部分已经讲过，这里不重复了。本部分做低通滤波，保留细节。即频谱中间部分保留，与高通相反。

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

o=cv2.imread('image\\lena256.bmp',0)    #读入图片
dft=cv2.dft(np.float32(o),flags=cv2.DFT_COMPLEX_OUTPUT)
dshift=np.fft.fftshift(dft)             #傅里叶变换

rows,cols=o.shape                     #行 列
crow,ccol=int(rows/2),int(cols/2)     #中心
mask=np.zeros((rows,cols,2),np.int8) #生成掩膜，2个通道，256位
mask1=np.zeros((rows,cols,2),np.int8) #生成掩膜，2个通道，256位
mask[crow-30:crow+30,ccol-30:ccol+30]=1 #中心区域设置为1,大小30*30
mask1[crow-10:crow+10,ccol-10:ccol+10]=1 #中心区域设置为1，大小10*10

md=dshift*mask
ishift=np.fft.ifftshift(md)
io=cv2.idft(ishift)
io=cv2.magnitude(io[:,:,0],io[:,:,1])   #逆傅里叶变换

md1=dshift*mask1
ishift1=np.fft.ifftshift(md1)
io1=cv2.idft(ishift1)
io1=cv2.magnitude(io1[:,:,0],io1[:,:,1])   #逆傅里叶变换

plt.subplot(131),plt.imshow(o,cmap='gray'),plt.title('original'),plt.axis('off')
plt.subplot(132),plt.imshow(io,cmap='gray'),plt.title('30-result'),plt.axis('off')
plt.subplot(133),plt.imshow(io1,cmap='gray'),plt.title('10-result'),plt.axis('off')
plt.show()

可以看出，掩膜越小，即保留的低通部分越少，图片越模糊。