OpenCV实现显著性检测中的谱残差法（Spectral Residual Method）涉及到了傅立叶正反变换

习惯了matlab，但是matlab虽然编程简单，可是执行效率不敢恭维，还是费了好大功夫转到OpenCV上来，没学过C++ 的跨专业烟酒僧表示压力很大，折腾了好久终于搞出来了，因为最蛋疼的就是傅立叶的正反变换，，，且不说代码的可读性和执行效率，总之折腾出来了，给自己赞一个打打气，，，

http://www.klab.caltech.edu/~xhou/papers/cvpr07.pdf
因为其开辟了视觉显著性的频域分析方法的先河，虽然侯晓迪现已明言谱残差理论是错误的，不过还是不能否认这个方法在视觉显著性研究领域起到的重要作用。

先只上代码，细节不哔哔，懂的人自然会懂

注：我没有对图像分辨率进行调整

首先是大神的原版matlab代码

%% Read image from file
inImg = imread('img.jpg');
inImg = im2double(rgb2gray(inImg));
inImg = imresize(inImg, [64, 64], 'bilinear');
%% Spectral Residual
myFFT = fft2(inImg);
myLogAmplitude = log(abs(myFFT));
myPhase = angle(myFFT);
mySmooth = imfilter(myLogAmplitude, fspecial('average', 3), 'replicate');
mySpectralResidual = myLogAmplitude - mySmooth;
saliencyMap = abs(ifft2(exp(mySpectralResidual + i*myPhase))).^2;
%% After Effect
saliencyMap = imfilter(saliencyMap, fspecial('disk', 3));
saliencyMap = mat2gray(saliencyMap);
imshow(saliencyMap, []);

其次是我搞出来的渣渣C++

#include "opencv2/opencv.hpp"

using namespace cv;
using namespace std;

int main(int argc,char *argv[])
{
    const char *filename = (argc >= 2 ? argv[1] : "lena.jpg");
    Mat I=imread(filename);
    if(I.empty())
        return -1;
    if(I.channels()==3)
        cvtColor(I,I,CV_RGB2GRAY);
    Mat planes[] = { Mat_<float>(I), Mat::zeros(I.size(), CV_32F) };
    Mat complexI; //复数矩阵
    merge(planes, 2, complexI); //把单通道矩阵组合成复数形式的双通道矩阵
    dft(complexI, complexI);  // 使用离散傅立叶变换

    //对复数矩阵进行处理，方法为谱残差
    Mat mag,pha,mag_mean;
    Mat Re,Im;
    split(complexI,planes); //分离复数到实部和虚部
    Re=planes[0]; //实部
    Im=planes[1]; //虚部
    magnitude(Re,Im,mag); //计算幅值
    phase(Re,Im,pha); //计算相角

    float *pre,*pim,*pm,*pp;
    //对幅值进行对数化
    for(int i=0;i<mag.rows;i++)
    {
        pm=mag.ptr<float>(i);
        for(int j=0;j<mag.cols;j++)
        {
            *pm=log(*pm);
            pm++;
        }
    }
    blur(mag, mag_mean, Size(5, 5)); //对数谱的均值滤波
    mag = mag - mag_mean; //求取对数频谱残差
    //把对数谱残差的幅值和相角划归到复数形式
    for(int i=0;i<mag.rows;i++)
    {
        pre=Re.ptr<float>(i);
        pim=Im.ptr<float>(i);
        pm=mag.ptr<float>(i);
        pp=pha.ptr<float>(i);
        for(int j=0;j<mag.cols;j++)
        {
            *pm=exp(*pm);
            *pre=*pm * cos(*pp);
            *pim=*pm * sin(*pp);
            pre++;
            pim++;
            pm++;
            pp++;
        }
    }
    Mat planes1[] = { Mat_<float>(Re),Mat_<float>(Im) };

    merge(planes1, 2, complexI); //重新整合实部和虚部组成双通道形式的复数矩阵
    idft(complexI, complexI, DFT_SCALE); // 傅立叶反变换
    split(complexI, planes); //分离复数到实部和虚部
    Re=planes[0];
    Im=planes[1];
    magnitude(Re,Im,mag); //计算幅值和相角
    for(int i=0;i<mag.rows;i++)
        {
            pm=mag.ptr<float>(i);
            for(int j=0;j<mag.cols;j++)
            {
                *pm=(*pm) * (*pm);
                pm++;
            }
        }
    GaussianBlur(mag,mag,Size(7,7),2.5,2.5);
    Mat invDFT, invDFTcvt;
    normalize(mag,invDFT,0,255,NORM_MINMAX); //归一化到[0,255]供显示
    invDFT.convertTo(invDFTcvt, CV_8U); //转化成CV_8U型
    imshow("SpectualResidual", invDFTcvt);
    imshow("Original Image", I);
    waitKey(0);
    return 0;
}

效果图：