opencv 空间域,频域滤波相关函数的简单应用

#opencv 空间域,频域滤波的简单应用
import numpy as np
import cv2
from matplotlib import pyplot as plt
import matplotlib as mpl


#2
img = cv2.imread('img/giant-kingfisher-5623347_1280.jpeg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#快速傅立叶变换
f = np.fft.fft2(img)
#执行离散傅里叶变换。 确定结果转换中位于276行和857列交叉处的分量。
print(np.round(f[276][857],2))
#3
#将对应于零频率的分量移动到中心，并将矩阵的所有元素替换为它们的模块 - 幅度。
fshift = np.fft.fftshift(f)
magnitude_spectrum = np.abs(fshift)
#确定最小和最大幅度值：
print(np.round(np.min(magnitude_spectrum),2))
print(np.round(np.max(magnitude_spectrum),2))

#4
#应用对数缩放 应用对数缩放。显示频谱
magnitude_spectrum = np.log(1+np.abs(fshift))
plt.imshow(magnitude_spectrum,cmap="gray")
plt.show()
#确定得到的值的差（最大和最小的差）：
print(np.round((np.max(magnitude_spectrum)-np.min(magnitude_spectrum)),2))
#5
#去除低频部分（80x80）的区域
fshift[426 -  40 : 426 + 40, 640- 40: 640 + 40] = 0
plt.imshow(np.log(1+abs(fshift)),cmap="gray")
plt.show()
#还原
f_ishift = np.fft.ifftshift(fshift)
#傅立叶反变换
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)
plt.imshow(img_back, cmap = 'gray')
plt.show()
#确定矩阵645行455列交叉处的逆变换幅值。
print(np.round(img_back[645][455],2))




#2
img = cv2.imread('img/waterscape-5541692_1280.jpeg')
#使用拉普拉斯算子绘制图像梯度
laplacian = cv2.Laplacian(img, -1)
plt.imshow(laplacian)
plt.show()
#确定结果图像的所有三个通道的所有像素的强度总和：
print(np.sum(laplacian.ravel()))

#应用 Canny 边缘检测器算法。
canny = cv2.Canny(img, 100, 200)
plt.imshow(canny, cmap = 'gray')
plt.show()
#确定结果图像中所有像素的强度总和：
print(np.sum(canny.ravel()))