opencv之离散傅里叶变换

函数解读：

C++: intgetOptimalDFTSize(int vecsize)

源码解读；

int cv::getOptimalDFTSize( int size0 )
{
   int a = 0, b = sizeof(optimalDFTSizeTab)/sizeof(optimalDFTSizeTab[0]) -1;
   if( (unsigned)size0 >= (unsigned)optimalDFTSizeTab[b] )
       return -1;
 
   while( a < b )//二分查找合适的size
    {
       int c = (a + b) >> 1;
       if( size0 <= optimalDFTSizeTab[c] )
           b = c;
       else
           a = c+1;
    }
 
    returnoptimalDFTSizeTab[b];
}

optimalDFTSizeTab定义在namespace cv中，里边的数值为2^x*3^y*5^z

static const int optimalDFTSizeTab[] = {1,2, 3, 4, 5, 6, 8, 9, 10, 12, 15, 16,…, 2123366400, 2125764000};

 

 

copyMakeBorder

C++: void copyMakeBorder(InputArraysrc, OutputArray dst, int top, int bottom, int left,int right, int borderType, const Scalar& value=Scalar())

src: 源图像

dst: 目标图像，和源图像有相同的类型，dst.cols=src.cols+left+right; dst.rows=src.rows+dst.top+dst.bottom

top:

bottom:

left:

right: 以上四个参数指定了在src图像周围附加的像素个数。

borderType: 边框类型

value: 当borderType==BORDER_CONSTANT时需要指定该值。

示例代码：

#include 
#include
#include
#include 
 
using namespace cv;
using namespace std;
 
int main(){
       Matsrc = imread("fruits.jpg");
       if(src.empty())
       {
              return-1;
       }
 
       Matsrc_gray;
       cvtColor(src,src_gray,CV_RGB2GRAY);//灰度图像做傅里叶变换
 
       intm = getOptimalDFTSize(src_gray.rows);//2,3,5的倍数有更高效率的傅里叶转换
       intn = getOptimalDFTSize(src_gray.cols);
 
       Matdst;
       ///把灰度图像放在左上角，在右边和下边扩展图像，扩展部分填充为0；
       copyMakeBorder(src_gray,dst,0,m-src_gray.rows,0,n-src_gray.cols,BORDER_CONSTANT,Scalar::all(0));
       cout<(dst), Mat::zeros(dst.size(), CV_32F)};
       Mat  completeI;
       merge(planes,2,completeI);//把两页合成一个2通道的mat
 
       //对上边合成的mat进行傅里叶变换，支持原地操作，傅里叶变换结果为复数。通道1存的是实部，通道2存的是虚部。
       dft(completeI,completeI);
 
       split(completeI,planes);//把变换后的结果分割到各个数组的两页中，方便后续操作
       magnitude(planes[0],planes[1],planes[0]);//求傅里叶变换各频率的幅值，幅值放在第一页中。
 
       MatmagI = planes[0];
       //傅立叶变换的幅度值范围大到不适合在屏幕上显示。高值在屏幕上显示为白点，
       //而低值为黑点，高低值的变化无法有效分辨。为了在屏幕上凸显出高低变化的连续性，我们可以用对数尺度来替换线性尺度:
       magI+= 1;
       log(magI,magI);//取对数
       magI= magI(Rect(0,0,src_gray.cols,src_gray.rows));//前边对原始图像进行了扩展，这里把对原始图像傅里叶变换取出，剔除扩展部分。
 
 
       //这一步的目的仍然是为了显示。 现在我们有了重分布后的幅度图，
       //但是幅度值仍然超过可显示范围[0,1] 。我们使用 normalize() 函数将幅度归一化到可显示范围。
       normalize(magI,magI,0,1,CV_MINMAX);//傅里叶图像进行归一化。
 
 
       //重新分配象限，使（0,0）移动到图像中心，
       //在《数字图像处理》中，傅里叶变换之前要对源图像乘以（-1）^(x+y)进行中心化。
       //这是是对傅里叶变换结果进行中心化
       intcx = magI.cols/2;
       intcy = magI.rows/2;
 
       Mattmp;
       Matq0(magI,Rect(0,0,cx,cy));
       Matq1(magI,Rect(cx,0,cx,cy));
       Matq2(magI,Rect(0,cy,cx,cy));
       Matq3(magI,Rect(cx,cy,cx,cy));
 
      
       q0.copyTo(tmp);
       q3.copyTo(q0);
       tmp.copyTo(q3);
 
       q1.copyTo(tmp);
       q2.copyTo(q1);
       tmp.copyTo(q2);
 
      
 
       namedWindow("InputImage");
       imshow("InputImage",src);
 
       namedWindow("SpectrumImage");
       imshow("SpectrumImage",magI);
 
       waitKey();
       return0;
}

实验结果：

代码已上传至gihub:opencv之离散傅里叶变换