OpenCV C++（十一）----频率域滤波

11.1概述和原理

• 低频指的是图像的傅里叶变换“中心位置”附近的区域。 低频信息表示图像中灰度值缓慢变化的区域 。

• 高频随着到“中心位置”距离的增加而增加， 即傅里叶变换中心位置的外围区域， 这里的“中心位置”指的是傅里叶变换所对应的幅度谱最大值的位置。高频信息则正好相反， 表示灰度值变化迅速的部分， 如边缘。

频率域滤波器在程序或者数学运算中的呈现可以理解为一个矩阵。下面所涉及的常用的低通、 高通、 带通、 带阻 等滤波的关键步骤， 就是通过一定的准则构造该矩阵的。

image.png

算法步骤：

• 第一步： 输入图像矩阵I。
• 第二步： 图像矩阵的每一个像素值乘以（-1） r+c得到矩阵I′， I′ =I.*（-1） r+c ， 其中r和c代表当前像素值在矩阵中的位置索引。
• 第三步： 因为图像矩阵的宽和高均为7， 为了利用傅里叶变换的快速算法， 对I′补0， 使用命令getOptimalDFTSize（7） 得到一个不小于7且可以分解为2p ×3q ×5r的最小整数， 计算结果为8。 所以在矩阵I′的右侧和下侧各补一行0， 记为f
• 第四步： 利用傅里叶变换的快速算法得到复数矩阵F。
• 第五步： 构建频率域滤波器Filter。 频率域滤波器本质上是一个和第四步得到的快速 傅里叶变换矩阵F 具有相同行数、 列数的复数矩阵， 一般情况下为实数矩阵
• 第六步： 将第四步得到的快速傅里叶变换矩阵F 和第五步得到的频率域滤波器Filter 的对应位置相乘（矩阵的点乘） 。 当然，如果滤波器是一个实数矩阵，那么在代码实现中，将傅里叶变换的实部和虚部分别与频率域滤波器进行点乘即可，即F filter =F.*Filter，因为这里构造的滤波器是一个全是1的矩阵， 所以F filter =F。
• 第七步： 对第六步得到的点乘矩阵F filter进行傅里叶逆变换，得到复数矩阵F′。
• 第八步： 取复数矩阵F′的实部。
• 第九步： 与第二步类似， 将第八步得到的矩阵乘以（-1） r+c。
• 第十步：进行裁剪， 取该实部矩阵的左上角， 尺寸和原图相同。 裁剪得到的结果， 即为频率域滤波的结果。

11.2、低通滤波器和高通滤波器

11.2.1、低通滤波器

1、理想低通滤波器

image.png

2、巴特沃斯低通滤波器

image.png

3、高斯低通滤波器

image.png

//创建三种常见的低通滤波器
enum FILTER_TYPE {
    ILP_FILTER = 0,
    BLP_FILTER = 1,
    GLP_FILTER = 2
};

Mat creatLPFilter(Size size, Point center, float radius, FILTER_TYPE type, int n)
{
    Mat lpFilter = Mat::zeros(size, CV_32FC1);
    int rows = size.height;
    int cols = size.width;
    if (radius <= 0)
    {
        return lpFilter;
    }
    //构建理想低通滤波器
    if (type == ILP_FILTER)
    {
        for (int r = 0; r < rows; r++)
        {
            for (int c = 0; c < cols; c++)
            {
                float norm2 = pow(abs(float(r - center.y)), 2) + pow(abs(float(c - center.x)), 2);
                if (sqrt(norm2) < radius)
                {
                    lpFilter.at(r,c) = 1;
                }
                else
                {
                    lpFilter.at(r, c) = 0;
                }
            }
        }
    }
    //构建巴特沃斯低通滤波器
    if (type == BLP_FILTER)
    {
        for (int r = 0; r < rows; r++)
        {
            for (int c = 0; c < cols; c++)
            {
                lpFilter.at(r, c) = float(1.0 / (1.0 + pow(sqrt(pow(r - center.y, 2.0) + pow(c - center.x, 2.0)) / radius, 2.0*n)));
            }
        }
    }
    //构建高斯低通滤波器
    if (type == GLP_FILTER)
    {
        for (int r = 0; r < rows; r++)
        {
            for (int c = 0; c < cols; c++)
            {
                lpFilter.at(r, c) = float(exp(-(pow(r - center.y, 2.0) + pow(c - center.x, 2.0)) / (2 * pow(radius, 2.0))));
            }
        }
    }
    return lpFilter;
}

Mat I;//输入的图像矩阵
Mat F;//图像的快速傅里叶变换
Point maxLoc;//傅里叶谱的最大值的坐标
int radius = 20;//截断频率
const int Max_RADIUS = 100;//设置的最大的截断频率
Mat lpFilter;//低通滤波器
int lpType = 0;//低通滤波器的类型
const int MAX_LPTYPE = 2;
Mat F_lpFilter;//低通傅里叶变换
Mat flpSpectrum;//低通傅里叶变换的傅里叶谱的灰度级
Mat result;//低通滤波后的效果
string lpFilterspectrum = "低通傅里叶谱";//显示窗口的名称
void callback_lpFilter(int, void*);
int main()
{
    //step1：读入图像矩阵
    Mat I = imread("Koala.jpg", CV_LOAD_IMAGE_GRAYSCALE);
    if (!I.data)
    {
        return -1;
    }
    //数据类型转换为浮点型
    Mat fI;
    I.convertTo(fI, CV_32FC1, 1.0, 0.0);
    //step2:每一个数乘于（-1）^（r+c)
    for (int r = 0; r < fI.rows; r++)
    {
        for (int c = 0; c < fI.cols; c++)
        {
            if ((r + c) % 2)
            {
                fI.at(r, c) *= -1;
            }
        }
    }
    //step3:补零；step4：快速傅里叶变换
    fft2Image(fI, F);
    //傅里叶谱
    Mat amplSpec;
    amplitudeSpectrum(F, amplSpec);
    //傅里叶谱的灰度级显示
    Mat spectrum = graySpectrum(amplSpec);
    //找到傅里叶谱的最大值的坐标
    minMaxLoc(spectrum, NULL, NULL, NULL, &maxLoc);
    //低通滤波
    namedWindow(lpFilterspectrum, WINDOW_AUTOSIZE);
    createTrackbar("低通类型", lpFilterspectrum, &lpType, MAX_LPTYPE, callback_lpFilter);
    createTrackbar("半径", lpFilterspectrum, &radius, Max_RADIUS, callback_lpFilter);
    callback_lpFilter(0, 0);
    waitKey(0);
    return 0;
}


void callback_lpFilter(int, void*)
{
    //step5：构建低通滤波器
    lpFilter = creatLPFilter(F.size(), maxLoc, radius, lpType, 2);
    //step6:低通滤波器和图像的快速傅里叶变换点乘
    F_lpFilter.create(F.size(), F.type());
    for (int r = 0; r < F_lpFilter.rows; r++)
    {
        for (int c = 0; c < F_lpFilter.cols; c++)
        {
            //分别取出当前位置的快速傅里叶变换和理想低通滤波器的值
            Vec2f F_rc = F.at(r, c);
            float lpFilter_rc = lpFilter.at(r, c);
            //低通滤波器和图像的快速傅里叶变换的对应位置相乘
            F_lpFilter.at(r, c) = F_rc * lpFilter_rc;
        }
    }
    //低通傅里叶变换的傅里叶谱
    amplitudeSpectrum(F_lpFilter, flpSpectrum);
    //低通傅里叶谱的灰度级显示
    flpSpectrum = graySpectrum(flpSpectrum);
    //step7、8：对低通滤波器变换执行傅里叶逆变换，并只取实部
    dft(F_lpFilter, result, DFT_SCALE + DFT_INVERSE + DFT_REAL_OUTPUT);
    //step9：同乘以(-1)^(x+y)
    for (int r = 0; r < result.rows; r++)
    {
        for (int c = 0; c < result.cols; c++)
        {
            if ((r + c) % 2)
            {
                result.at(r, c)  *= -1;
            }
        }
    }
    //注意将结果转换为CV_8U类型
    result.convertTo(result, CV_8UC1, 1.0, 0);
    //step10：截取左上部分，其大小和输入图像的大小相同
    result = result(Rect(0, 0, I.cols, I.rows)).clone();
}

11.2.2、高通滤波器

1、理想高通滤波器

image.png

2、巴特沃斯高通滤波器

image.png

3、高斯高通滤波器

image.png

显然， 高通滤波器和低通滤波器满足这样的关系：

hpFilter=1-lpFilter

即1减去通过createLPFilter得到的矩阵就可以得到高通滤波器 。

11.3、带通和带阻滤波器

带通滤波是指只保留某一范围区域的频率带。

11.3.1、带通滤波器

1、理想带通滤波器

image.png

2、巴特沃斯带通滤波器

image.png

3、高斯带通滤波器

image.png

11.3.2、带阻滤波器

与带通滤波相反， 带阻滤波是指撤销或者消弱指定范围区域的频率带。

1、理想带阻滤波器

image.png

2、巴特沃斯带阻滤波器

image.png

3、高斯带阻滤波器

image.png

显然， 1减去带通滤波就可以得到相应的带阻滤波。

11.4、自定义滤波器

有一种通过交互式的方式， 构建自定义滤波， 便于消除指定的频率。 自定义滤波器通常用于消除结构化噪声或者目标。

11.5、同态滤波

同态滤波是一种减少低频增加高频，从而减少光照变化并锐化边缘或者细节的滤波方法。

对于一幅图像f(x,y)，可以表示为照射分量i(x,y)和反射分量r(x,y)的乘积。
其中0

i(x,y)描述景物的照明，变化缓慢，处于低频成分。

r(x,y)描述景物的细节，变化较快，处于高频成分。

因为该性质是乘性的，所以不能直接使用傅里叶变换对i(x,y)和r(x,y)进行控制，因此可以先对f(x,y)取对数，分离i(x,y)和r(x,y)。令z(x,y) = ln f(x,y) = ln i(x,y) + ln r(x,y)。由于f(x,y)的取值范围为[0, L-1]，为了避免出现ln(0)的情况，故采用ln ( f(x,y) + 1 ) 来计算。

image.png

image.png

同态滤波与频率域滤波的不同之处是， 它在最开始对输入的图像矩阵进行对数运 算， 在最后一步进行对数运算的逆运算， 即指数运算， 其中间步骤就是频率域滤波的步骤。