文章目录
前提需要用到的知识
:傅里叶变换
常用滤波器(利用傅里叶变换后)
我们可以为上述滤波器提供基于频域的数学定义。为了简化描述,我们将仅讨论二维情形,适用于图像处理。假设图像的傅里叶变换为 F ( u , v ) F(u,v) F(u,v),其中 u u u 和 v v v 是频率变量。下面是滤波器的定义和相关数学公式:
低通滤波器 (LPF):
理想低通滤波器 (ILPF):
H ( u , v ) = { 1 if D ( u , v ) ≤ D 0 0 otherwise H(u,v) = \begin{cases} 1 & \text{if } D(u,v) \leq D_0 \\0 & \text{otherwise }\end{cases} H(u,v)={
10if D(u,v)≤D0otherwise
其中 D ( u , v ) D(u,v) D(u,v) 是频率坐标 (u,v) 到中心 (0,0) 的距离, D 0 D_0 D0 是截止频率。
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义理想低通滤波器
Eigen::MatrixXd idealLowPassFilter(int rows, int cols, float D0) {
Eigen::MatrixXd filter(rows, cols);
int centerX = rows / 2; // 计算中心点x坐标
int centerY = cols / 2; // 计算中心点y坐标
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
// 判断当前点到中心点的距离是否小于或等于D0
if(distance(i, j, centerX, centerY) <= D0) {
filter(i, j) = 1;
} else {
filter(i, j) = 0;
}
}
}
return filter;
}
巴特沃斯低通滤波器 (BLPF):
H ( u , v ) = 1 1 + ( D ( u , v ) D 0 ) 2 n H(u,v) = \frac{1}{1+\left(\frac{D(u,v)}{D_0}\right)^{2n}} H(u,v)=1+(D0D(u,v))2n1
其中 n n n 是滤波器的阶数。
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义巴特沃斯低通滤波器
Eigen::MatrixXd butterworthLowPassFilter(int rows, int cols, float D0, int n) {
Eigen::MatrixXd filter(rows, cols);
int centerX = rows / 2; // 计算中心点x坐标
int centerY = cols / 2; // 计算中心点y坐标
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = distance(i, j, centerX, centerY);
// 应用巴特沃斯低通滤波器的公式
filter(i, j) = 1 / (1 + std::pow(D/D0, 2*n));
}
}
return filter;
}
高斯低通滤波器 (GLPF):
H ( u , v ) = e − D 2 ( u , v ) 2 D 0 2 H(u,v) = e^{\frac{-D^2(u,v)}{2D_0^2}} H(u,v)=e2D02−D2(u,v)
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义高斯低通滤波器
Eigen::MatrixXd gaussianLowPassFilter(int rows, int cols, float D0) {
Eigen::MatrixXd filter(rows, cols);
int centerX = rows / 2; // 计算中心点x坐标
int centerY = cols / 2; // 计算中心点y坐标
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = distance(i, j, centerX, centerY);
// 应用高斯低通滤波器的公式
filter(i, j) = std::exp(-(D*D) / (2*D0*D0));
}
}
return filter;
}
高通滤波器 (HPF):
理想高通滤波器 (IHPF):
H ( u , v ) = { 0 if D ( u , v ) ≤ D 0 1 otherwise H(u,v) = \begin{cases} 0 & \text{if } D(u,v) \leq D_0 \\ 1 & \text{otherwise }\end{cases} H(u,v)={ 01if D(u,v)≤D0otherwise
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义理想高通滤波器
Eigen::MatrixXd idealHighPassFilter(int rows, int cols, float D0) {
Eigen::MatrixXd filter = Eigen::MatrixXd::Ones(rows, cols); // 初始化为全1矩阵
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
if(distance(i, j, centerX, centerY) <= D0) {
filter(i, j) = 0;
}
}
}
return filter;
}
巴特沃斯高通滤波器 (BHPF):
H ( u , v ) = 1 1 + ( D 0 D ( u , v ) ) 2 n H(u,v) = \frac{1}{1+\left(\frac{D_0}{D(u,v)}\right)^{2n}} H(u,v)=1+(D(u,v)D0)2n1
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义巴特沃斯高通滤波器
Eigen::MatrixXd butterworthHighPassFilter(int rows, int cols, float D0, int n) {
Eigen::MatrixXd filter(rows, cols);
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = distance(i, j, centerX, centerY);
filter(i, j) = 1 / (1 + std::pow(D0/D, 2*n));
}
}
return filter;
}
高斯高通滤波器 (GHPF):
H ( u , v ) = 1 − e − D 2 ( u , v ) 2 D 0 2 H(u,v) = 1 - e^{\frac{-D^2(u,v)}{2D_0^2}} H(u,v)=1−e2D02−D2(u,v)
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u, int v) {
return std::sqrt((x-u)*(x-u) + (y-v)*(y-v));
}
// 定义高斯高通滤波器
Eigen::MatrixXd gaussianHighPassFilter(int rows, int cols, float D0) {
Eigen::MatrixXd filter(rows, cols);
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = distance(i, j, centerX, centerY);
filter(i, j) = 1 - std::exp(-(D*D) / (2*D0*D0));
}
}
return filter;
}
带通滤波器( BPF):
带通滤波器(Band-Pass Filter, BPF)在频域内允许一段连续的频率范围通过,同时阻挡该范围外的其他频率。在图像处理中,它常用于只保留图像中的某些特定的空间频率特性,从而抑制过低和过高的频率成分。
- 数学公式:
在二维频域里,设 D ( u , v ) D(u,v) D(u,v)是频率坐标(u,v)到傅里叶变换中心的距离,常用的带通滤波器有以下几种:
理想带通滤波器 (Ideal BPF):
H ( u , v ) = { 1 if D 1 ≤ D ( u , v ) ≤ D 2 0 otherwise H(u,v) = \begin{cases} 1 & \text{if } D_1 \leq D(u,v) \leq D_2 \\0 & \text{otherwise}\end{cases} H(u,v)={
10if D1≤D(u,v)≤D2otherwise
其中, D 1 D_1 D1 和 D 2 D_2 D2 是内外两个截止频率,满足 D 1 < D 2 D_1 < D_2 D1<D2。
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
//**理想带通滤波器 (Ideal BPF)**:
MatrixXd idealBPF(int rows, int cols, double D1, double D2) {
// 创建一个空的矩阵用于存放滤波器的值
MatrixXd filter(rows, cols);
// 计算傅里叶变换的中心
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = std::sqrt((i - centerX) * (i - centerX) + (j - centerY) * (j - centerY));
filter(i, j) = (D >= D1 && D <= D2) ? 1.0 : 0.0;
}
}
return filter;
}
巴特沃斯带通滤波器 (Butterworth BPF):
H ( u , v ) = 1 1 + ( D ( u , v ) D 1 D ( u , v ) 2 − D 2 2 ) 2 n H(u,v) = \frac{1}{1+\left(\frac{D(u,v)D_1}{D(u,v)^2 - D_2^2}\right)^{2n}} H(u,v)=1+(D(u,v)2−D22D(u,v)D1)2n1
其中,n是滤波器的阶数。
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
//**巴特沃斯带通滤波器 (Butterworth BPF)**:
MatrixXd butterworthBPF(int rows, int cols, double D1, double D2, int n) {
MatrixXd filter(rows, cols);
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = std::sqrt((i - centerX) * (i - centerX) + (j - centerY) * (j - centerY));
filter(i, j) = 1.0 / (1.0 + std::pow((D * D1) / (D * D - D2 * D2), 2 * n));
}
}
return filter;
}
高斯带通滤波器 (Gaussian BPF):
H ( u , v ) = e − ( D 2 ( u , v ) − D 2 2 ) 2 D 1 2 D 2 ( u , v ) H(u,v) = e^{-\frac{(D^2(u,v) - D_2^2)^2}{D_1^2D^2(u,v)}} H(u,v)=e−D12D2(u,v)(D2(u,v)−D22)2
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
// **高斯带通滤波器 (Gaussian BPF)**:
MatrixXd gaussianBPF(int rows, int cols, double D1, double D2) {
MatrixXd filter(rows, cols);
int centerX = rows / 2;
int centerY = cols / 2;
for(int i = 0; i < rows; i++) {
for(int j = 0; j < cols; j++) {
double D = std::sqrt((i - centerX) * (i - centerX) + (j - centerY) * (j - centerY));
filter(i, j) = std::exp(-(D * D - D2 * D2) * (D * D - D2 * D2) / (D1 * D1 * D * D));
}
}
return filter;
}
-
特性:
-
当滤波器的带宽(即 D 2 − D 1 D_2 - D_1 D2−D1)较窄时,滤波器只允许一个很小的频率范围通过,可以用于某些特定的应用,如频率选择或某种频率噪声的消除。
-
当带宽较宽时,该滤波器可以用来在一个更广的范围内保留图像细节,同时过滤掉过高和过低的频率。
带阻滤波器 (BRF):
在二维频域里,设 D ( u , v ) D(u,v) D(u,v)是频率坐标(u,v)到傅里叶变换中心的距离,常用的带阻滤波器有以下几种:
理想带阻滤波器 (Ideal BRF):
H ( u , v ) = { 0 if D 1 ≤ D ( u , v ) ≤ D 2 1 otherwise H(u,v) = \begin{cases} 0 & \text{if } D_1 \leq D(u,v) \leq D_2 \\1 & \text{otherwise}\end{cases} H(u,v)={
01if D1≤D(u,v)≤D2otherwise
其中, D 1 D_1 D1 和 D 2 D_2 D2 是内外两个截止频率,满足 D 1 < D 2 D_1 < D_2 D1<D2。
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
// 计算频率到中心的距离
double D(int u, int v, int centerU, int centerV) {
return std::sqrt((u - centerU) * (u - centerU) + (v - centerV) * (v - centerV));
}
// 理想带阻滤波器
MatrixXd idealBRF(int rows, int cols, double D1, double D2) {
MatrixXd filter(rows, cols);
int centerU = rows / 2;
int centerV = cols / 2;
for (int u = 0; u < rows; ++u) {
for (int v = 0; v < cols; ++v) {
double distance = D(u, v, centerU, centerV);
filter(u, v) = (distance >= D1 && distance <= D2) ? 0 : 1;
}
}
return filter;
}
巴特沃斯带阻滤波器 (Butterworth BRF):
H ( u , v ) = 1 − 1 1 + ( D ( u , v ) D 2 D ( u , v ) 2 − D 1 2 ) 2 n H(u,v) = 1 - \frac{1}{1+\left(\frac{D(u,v)D_2}{D(u,v)^2 - D_1^2}\right)^{2n}} H(u,v)=1−1+(D(u,v)2−D12D(u,v)D2)2n1
其中,n是滤波器的阶数。
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
// 计算频率到中心的距离
double D(int u, int v, int centerU, int centerV) {
return std::sqrt((u - centerU) * (u - centerU) + (v - centerV) * (v - centerV));
}
// 巴特沃斯带阻滤波器
MatrixXd butterworthBRF(int rows, int cols, double D1, double D2, int n) {
MatrixXd filter(rows, cols);
int centerU = rows / 2;
int centerV = cols / 2;
for (int u = 0; u < rows; ++u) {
for (int v = 0; v < cols; ++v) {
double distance = D(u, v, centerU, centerV);
double fraction = (D1 * D2) / (distance * distance - D1 * D1);
filter(u, v) = 1.0 / (1.0 + std::pow(fraction, 2 * n));
}
}
return filter;
}
高斯带阻滤波器 (Gaussian BRF):
H ( u , v ) = 1 − e − ( D 2 ( u , v ) − D 2 2 ) 2 D 1 2 D 2 ( u , v ) H(u,v) = 1 - e^{-\frac{(D^2(u,v) - D_2^2)^2}{D_1^2D^2(u,v)}} H(u,v)=1−e−D12D2(u,v)(D2(u,v)−D22)2
#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
// 计算频率到中心的距离
double D(int u, int v, int centerU, int centerV) {
return std::sqrt((u - centerU) * (u - centerU) + (v - centerV) * (v - centerV));
}
// 高斯带阻滤波器
MatrixXd gaussianBRF(int rows, int cols, double D1, double D2) {
MatrixXd filter(rows, cols);
int centerU = rows / 2;
int centerV = cols / 2;
for (int u = 0; u < rows; ++u) {
for (int v = 0; v < cols; ++v) {
double distance = D(u, v, centerU, centerV);
double value = std::exp(-(distance * distance - D2 * D2) * (distance * distance - D2 * D2) / (D1 * D1 * distance * distance));
filter(u, v) = 1 - value;
}
}
return filter;
}
-
特性:
-
BRF是带通滤波器(BPF)的反向。它主要用于消除图像中某个特定频率范围内的成分。
-
它的效果与BPF相反:BRF会抑制一个频率范围内的信号,而BPF则会允许这个范围内的信号通过。
-
当知道噪声或不希望的成分位于特定的频率范围内时,BRF特别有用。
陷波滤波器 ( Notch Filter):
陷波滤波器(Notch Filter)是一种特殊的带阻滤波器,用于消除或减少某些特定的频率。与常规的带阻滤波器(BRF)不同,陷波滤波器针对的是非常具体的、特定的频率或频率集,而不是一个连续的频率范围。在图像处理中,它们通常用于消除某种特定的干扰,例如周期性噪声或其他已知的频率成分。
- 数学公式:
假设 D ( u , v ) D(u,v) D(u,v)是频率坐标(u,v)到傅里叶变换中心的距离,以下是常见的陷波滤波器的定义:
理想陷波滤波器 (Ideal Notch Filter):
假设我们要消除一个特定的频率(u_0,v_0):
H ( u , v ) = { 0 if u = u 0 and v = v 0 1 otherwise H(u,v) = \begin{cases} 0 & \text{if } u = u_0 \text{ and } v = v_0 \\1 & \text{otherwise }\end{cases} H(u,v)={
01if u=u0 and v=v0otherwise
实际上,对于陷波滤波,经常会涉及到一个小的范围而不仅仅是一个点,因此上面的定义可能会稍有扩展。
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u0, int v0) {
return std::sqrt((x - u0) * (x - u0) + (y - v0) * (y - v0));
}
// 理想陷波滤波器
Eigen::MatrixXd IdealNotchFilter(int width, int height, int u0, int v0, double D0) {
Eigen::MatrixXd filter(width, height);
for(int i = 0; i < width; i++) {
for(int j = 0; j < height; j++) {
double d = distance(i, j, u0, v0);
if(d <= D0) {
filter(i, j) = 0; // 抑制特定频率
} else {
filter(i, j) = 1; // 其他频率不受影响
}
}
}
return filter;
}
巴特沃斯陷波滤波器 (Butterworth Notch Filter):
H ( u , v ) = 1 1 + ( D 0 D ( u − u 0 , v − v 0 ) ) 2 n H(u,v) = \frac{1}{1+\left(\frac{D_0}{D(u-u_0,v-v_0)}\right)^{2n}} H(u,v)=1+(D(u−u0,v−v0)D0)2n1
其中, D 0 D_0 D0是陷波滤波器的截止频率,n是滤波器的阶数。
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u0, int v0) {
return std::sqrt((x - u0) * (x - u0) + (y - v0) * (y - v0));
}
// 巴特沃斯陷波滤波器
Eigen::MatrixXd ButterworthNotchFilter(int width, int height, int u0, int v0, double D0, int n) {
Eigen::MatrixXd filter(width, height);
for(int i = 0; i < width; i++) {
for(int j = 0; j < height; j++) {
double d = distance(i, j, u0, v0);
filter(i, j) = 1 / (1 + std::pow(D0 / d, 2*n));
}
}
return filter;
}
高斯陷波滤波器 (Gaussian Notch Filter):
H ( u , v ) = 1 − e − D 2 ( u − u 0 , v − v 0 ) D 0 2 H(u,v) = 1 - e^{-\frac{D^2(u-u_0,v-v_0)}{D_0^2}} H(u,v)=1−e−D02D2(u−u0,v−v0)
#include <Eigen/Dense>
#include <cmath>
// 计算两点之间的距离
double distance(int x, int y, int u0, int v0) {
return std::sqrt((x - u0) * (x - u0) + (y - v0) * (y - v0));
}
// 高斯陷波滤波器
Eigen::MatrixXd GaussianNotchFilter(int width, int height, int u0, int v0, double D0) {
Eigen::MatrixXd filter(width, height);
for(int i = 0; i < width; i++) {
for(int j = 0; j < height; j++) {
double d = distance(i, j, u0, v0);
filter(i, j) = 1 - std::exp(-d*d / (2*D0*D0));
}
}
return filter;
}
-
特性:
-
陷波滤波器通常用于消除特定的干扰频率,而不影响其他频率。例如,在一个图像中,如果有某种周期性的干扰,可以用陷波滤波器来消除它。
-
对于复杂的噪声模式,可能需要设计多个陷波滤波器来处理不同的干扰频率。
高频强调滤波器 (Emphasis Filters)
Emphasis Filters,也称为高频强调滤波器,是频域滤波器的一种,用于提高图像中的高频部分,从而增强图像的细节。这种滤波器常常用于图像恢复中,尤其是在那些由于某些原因导致高频部分受损的图像中。
基本思想是将低频部分乘以一个小于1的常数,而将高频部分乘以一个大于1的常数,这样可以增强图像的高频部分。
- 数学公式:
H ( u , v ) = 1 + α ⋅ ( 1 − L ( u , v ) ) H(u,v) = 1 + \alpha \cdot (1 - L(u,v)) H(u,v)=1+α⋅(1−L(u,v))
其中:
- H ( u , v ) H(u,v) H(u,v) 是高频强调滤波器。
- L ( u , v ) L(u,v) L(u,v) 是一个低通滤波器,可以是理想的、巴特沃斯的或高斯的。
- α \alpha α 是一个常数,用于控制高频强调的程度。
解释:
在这个公式中, 1 − L ( u , v ) 1 - L(u,v) 1−L(u,v) 实际上是一个高通滤波器,因为它是低通滤波器的反向。因此,该公式的效果是,首先保留原始图像(通过乘以1),然后加上强调的高频部分(通过乘以 α ⋅ ( 1 − L ( u , v ) ) \alpha \cdot (1 - L(u,v)) α⋅(1−L(u,v)))。
此方法的优势是,与只使用高通滤波器相比,它能够保留图像的低频内容,同时强调高频内容。这通常可以产生更好的视觉效果,特别是在图像增强应用中。
总的来说,高频强调滤波器可以有效地增强图像的细节和边缘,同时保留图像的大体结构。
#include <iostream>
#include <Eigen/Dense>
#include <cmath>
// 使用Eigen库的矩阵数据结构
using Eigen::MatrixXd;
// 创建一个理想低通滤波器
MatrixXd createIdealLowPassFilter(int rows, int cols, double cutoff) {
MatrixXd filter(rows, cols);
int centerRow = rows / 2;
int centerCol = cols / 2;
for (int i = 0; i < rows; i++) {
for (int j = 0; j < cols; j++) {
double distance = std::sqrt((i - centerRow) * (i - centerRow) + (j - centerCol) * (j - centerCol));
filter(i, j) = distance <= cutoff ? 1 : 0;
}
}
return filter;
}
// 使用理想低通滤波器创建一个高频强调滤波器
MatrixXd createEmphasisFilter(int rows, int cols, double cutoff, double alpha) {
MatrixXd lowPassFilter = createIdealLowPassFilter(rows, cols, cutoff);
MatrixXd emphasisFilter(rows, cols);
// 计算高频强调滤波器
for (int i = 0; i < rows; i++) {
for (int j = 0; j < cols; j++) {
//低频中心本为1 ,这样就变成 1+0 = 1;而高频变成 1+ a*(1-0) >1;增强了高频,低频不变
emphasisFilter(i, j) = 1 + alpha * (1 - lowPassFilter(i, j));
}
}
return emphasisFilter;
}
左图为原图,右图为增强后的图像,(alpha =0.5)可以发现显示比较更清晰。
- 特性:
-
高频增强:Emphasis Filters 主要用于强调图像的高频部分,即细节和边缘。
-
可调性:通过调整 α \alpha α 的值,可以调节高频部分增强的程度。
-
与低通滤波器的结合:此滤波器实际上是将低通滤波器和一个常数相结合,用于强调高频而不是低频。
低通滤波器和高通滤波器的完整实现
#include <opencv2/opencv.hpp> //OpenCV库只用到Mat用于读取和显示图像
#include <Eigen>
#include <iostream>
#include <vector>
#include <cmath>
#include <complex>
#define M_PI 3.14159265358979323846 // pi
// 对数幅度缩放
Eigen::MatrixXd logAmplitudeSpectrum(const Eigen::MatrixXd& spectrum) {
return (spectrum.array() + 1).log();
}
// 乘幂尺度变换
Eigen::MatrixXd powerLawScaling(const Eigen::MatrixXd& spectrum, double gamma) {
return spectrum.array().pow(gamma);
}
// 归一化 to [0, 1]
Eigen::MatrixXd normalize(const Eigen::MatrixXd& spectrum) {
double minVal = spectrum.minCoeff();
double maxVal = spectrum.maxCoeff();
return (spectrum.array() - minVal) / (maxVal - minVal);
}
// 增强频谱显示
Eigen::MatrixXd enhanceSpectrumDisplay(const Eigen::MatrixXd& spectrum, double gamma = 1) {
Eigen::MatrixXd logSpectrum = logAmplitudeSpectrum(spectrum);
Eigen::MatrixXd powerScaledSpectrum = powerLawScaling(logSpectrum, gamma);
return normalize(powerScaledSpectrum);
}
// 从复数矩阵中获取幅度谱和相位谱
void getAmplitudeAndPhaseSpectra(const Eigen::MatrixXcd& data, Eigen::MatrixXd& amplitude, Eigen::MatrixXd& phase) {
amplitude = data.array().abs().matrix();
phase = data.array().arg().matrix();
}
// 从幅度谱和相位谱重构复数矩阵
void reconstructFromAmplitudeAndPhase(const Eigen::MatrixXd& amplitude,
const Eigen::MatrixXd& phase,
Eigen::MatrixXcd& data)
{
data = (amplitude.array() * (phase.array().cos() + std::complex<double>(0, 1) * phase.array().sin())).matrix();
}
// 1:**振幅谱低频移动到中心(频率平移)**:方便操作,利用象限对称互换 fft之后
Eigen::MatrixXd fftShift(const Eigen::MatrixXd &F)
{
int M = F.rows();
int N = F.cols();
Eigen::MatrixXd F_shifted(M, N);
int mid_M = M >> 1;
int mid_N = N >> 1;
// 交换第一象限和第三象限
F_shifted.block(0, 0, mid_M, mid_N) = F.block(mid_M, mid_N, mid_M, mid_N);
F_shifted.block(mid_M, mid_N, mid_M, mid_N) = F.block(0, 0, mid_M, mid_N);
// 交换第二象限和第四象限
F_shifted.block(0, mid_N, mid_M, mid_N) = F.block(mid_M, 0, mid_M, mid_N);
F_shifted.block(mid_M, 0, mid_M, mid_N) = F.block(0, mid_N, mid_M, mid_N);
return F_shifted;
}
// 2:振幅谱低频移动到中心 **图像进行-1幂操作**:然后经过fft变换后,低频会在振幅谱中间 fft之前
Eigen::MatrixXd imageShift(const Eigen::MatrixXd &image)
{
int M = image.rows();
int N = image.cols();
Eigen::MatrixXd F_shifted(M, N);
// 通过乘以 (-1)^(u+v) 来平移频率
for (int u = 0; u < M; ++u)
{
for (int v = 0; v < N; ++v)
{
//(u + v) & 1 通过位的判断末尾如果是1 为奇数,为0,为偶数。 -1的奇次幂还是-1,偶次幂为1.
F_shifted(u, v) = image(u, v) * ((u + v) & 1 ? -1 : 1);
}
}
return F_shifted;
}
Eigen::MatrixXd tMatrixXd(const cv::Mat &img)
{
Eigen::MatrixXd image(img.rows, img.cols);
for (int i = 0; i < img.rows; ++i)
{
for (int j = 0; j < img.cols; ++j)
{
image(i, j) = img.at<float>(i, j);
}
}
return image;
}
cv::Mat tMat(const Eigen::MatrixXd &img)
{
cv::Mat image(img.rows(), img.cols(), CV_32FC1);
for (int i = 0; i < img.rows(); ++i)
{
for (int j = 0; j < img.cols(); ++j)
{
image.at<float>(i, j) = img(i, j);
}
}
return image;
}
//inv =true 为逆变换,false为 正变换
std::vector<std::complex<double>> FFT(const std::vector<std::complex<double>>& y, bool inv = false)
{
std::vector<std::complex<double>>x = y;
//数据的大小
int N = x.size();
// //数据以2为底的指数
// double logD = std::log2(N);
// int logN = static_cast<int>(logD);
// //判断logD 是否为正整数,否则数据大小不是2的幂数,就改变数据的大小为2的幂数 ,并大于原来的数据大小。
// if(logD > logN)
// {
// // 确保输入的大小是2的幂
// N = 1;
// N <<= (logN+1);
// x.resize(N,std::complex<double>(0, 0)); // 使用零填充
// }
// 确保输入的大小是2的幂
int nextPower = 1;
while (nextPower < N)
{
nextPower <<= 1;
}
if (nextPower != N)
{
N = nextPower;
x.resize(N, std::complex<double>(0, 0)); // 使用0填充到下一个2的幂
}
// 蝴蝶反转
for (int i = 1, j = 0; i < N; i++)
{
//bit = N/2
int bit = N >> 1;
/*
* 我们正在查看j的二进制表示中的每一位。
从左到右,我们检查每一位是否为1。
对于每一个为1的位,我们将其反转为0。
当我们遇到第一个为0的位时,循环终止。
*/
for (; j & bit; bit >>= 1)
{
j ^= bit;
}
//进行异或运算(XOR运算的工作原理是:当两个比较的位相同时,结果是0;当两个比较的位不同时,结果是1。)
j ^= bit;
//当 i >j 表示前面已经替换了位置, i==j,表示位置不用变
if (i < j)
{
std::swap(x[i], x[j]);
}
}
// 预先计算旋转因子
std::vector<std::complex<double>> w(N / 2);
//逆变换 = 1;傅里叶变换 = -1;
double imag_i = inv ? 1.0 : -1.0;
std::complex<double> tempW = std::exp(std::complex<double>(0, imag_i * 2 * M_PI / N));
w[0] = 1;
for (int i = 1; i < (N >> 1); ++i)
{
// w[i] = std::polar(1.0, imag_i * 2 * M_PI * i / N);
//w[i] = std::pow(tempW, i);
w[i] = w[i - 1] * tempW;
}
// 迭代FFT
for (int len = 2; len <= N; len <<= 1)
{
int halfLen = len >> 1;
int step = N / len;
for (int i = 0; i < N; i += len)
{
for (int j = 0; j < halfLen; ++j)
{
std::complex<double> u = x[i + j];
std::complex<double> v = x[i + j + halfLen] * w[j * step];
x[i + j] = u + v;
x[i + j + halfLen] = u - v;
}
}
}
//使用逆变换时
if (inv)
{
for (std::complex<double>& a : x) {
a /= N;
}
}
return x;
}
//检查一维数据大小是否为2的幂数,不是则填充为0到2的幂数大小
Eigen::VectorXd padToPowerOfOne(const Eigen::VectorXd& vector) {
int size = vector.rows();
// 确保输入的大小是2的幂
int nextPower = 1;
while (nextPower < size)
{
nextPower <<= 1;
}
// 使用0填充到下一个2的幂
Eigen::VectorXd paddedMatrix = Eigen::VectorXd::Zero(nextPower);
paddedMatrix.block(0, 0, size, 1) = vector;
return paddedMatrix;
}
//FFT 使用Eigen库中的向量表示,方便二维计算
Eigen::VectorXcd FFT(const Eigen::VectorXcd& y, bool inv = false)
{
Eigen::VectorXcd x = y;
//数据的大小
int N = x.size();
// 按位反转
for (int i = 1, j = 0; i < N; i++)
{
//bit = N/2
int bit = N >> 1;
/*
* 我们正在查看j的二进制表示中的每一位。
从左到右,我们检查每一位是否为1。
对于每一个为1的位,我们将其反转为0。
当我们遇到第一个为0的位时,循环终止。
*/
for (; j & bit; bit >>= 1)
{
j ^= bit;
}
//进行异或运算(XOR运算的工作原理是:当两个比较的位相同时,结果是0;当两个比较的位不同时,结果是1。)
j ^= bit;
//当 i >j 表示前面已经替换了位置, i==j,表示位置不用变
if (i < j)
{
std::swap(x[i], x[j]);
}
}
// 预先计算旋转因子
Eigen::VectorXcd w(N >> 1);
//逆变换 = 1;傅里叶变换 = -1;
double imag_i = inv ? 1.0 : -1.0;
std::complex<double> tempW = std::exp(std::complex<double>(0, imag_i * 2 * M_PI / N));
w[0] = 1;
for (int i = 1; i < (N >> 1); ++i)
{
// w[i] = std::polar(1.0, imag_i * 2 * M_PI * i / N);
//w[i] = std::pow(tempW, i);
w[i] = w[i - 1] * tempW;
}
// 迭代FFT
for (int len = 2; len <= N; len <<= 1)
{
int halfLen = len >> 1;
int step = N / len;
for (int i = 0; i < N; i += len)
{
for (int j = 0; j < halfLen; ++j)
{
std::complex<double> u = x[i + j];
std::complex<double> v = x[i + j + halfLen] * w[j * step];
x[i + j] = u + v;
x[i + j + halfLen] = u - v;
}
}
}
//使用逆变换时
if (inv)
{
for (std::complex<double>& a : x) {
a /= N;
}
}
return x;
}
//检查二维数据大小是否为2的幂数,不是则填充为0到2的幂数大小
Eigen::MatrixXd padToPowerOfTwo(const Eigen::MatrixXd& matrix) {
int rows = matrix.rows();
int cols = matrix.cols();
// 确保输入的大小是2的幂
int newRows = 1, newCols = 1;
while (newRows < rows)
{
newRows <<= 1;
}
while (newCols < cols)
{
newCols <<= 1;
}
Eigen::MatrixXd paddedMatrix = Eigen::MatrixXd::Zero(newRows, newCols);
paddedMatrix.block(0, 0, rows, cols) = matrix;
return paddedMatrix;
}
// 离散傅里叶变换 - 二维
Eigen::MatrixXcd FFT2D(const Eigen::MatrixXcd& image, bool inv = false) {
int rows = image.rows();
int cols = image.cols();
Eigen::MatrixXcd result(rows, cols);
for (int i = 0; i < rows; i++) {
Eigen::VectorXcd temp = image.row(i).transpose();
result.row(i) = FFT(temp, inv);
}
for (int j = 0; j < cols; j++) {
Eigen::VectorXcd temp = result.col(j);
result.col(j) = FFT(temp, inv);
}
return result;
}
//创建高频 radius越小,越减少高频的部分,越大,越还原图像
Eigen::MatrixXd highFrequency (const Eigen::MatrixXd & data,int radius)
{
int rows = data.rows();
int cols = data.cols();
// 创建高通滤波器(圆形掩码)
Eigen::MatrixXd mask = Eigen::MatrixXd::Ones(rows, cols);
//中心坐标
int centerRow = rows >> 1;
int centerCol = cols >> 1;
//找到以 radius 大小的矩形范围内
//左边位置
int left = centerCol - radius;
//超过边界 为0
left = left > 0 ? left : 0;
//右边位置
int right = centerCol + radius;
//超过边界 为0
right = right < cols ? right : cols;
//上边位置
int top = centerRow - radius;
//超过边界 为0
top = top > 0 ? top : 0;
//下边位置
int down = centerRow + radius;
//超过边界 为0
down = down < rows ? down : rows;
//在正矩形内画最大的圆
for (int i = top; i < down; ++i)
{
for (int j = left; j < right; ++j)
{
//在图像中心画圆,半径不能超过
double distance = std::sqrt(std::pow(i - centerRow, 2) + std::pow(j - centerCol, 2));
if (distance <= radius)
{
mask(i, j) = 0.0;
}
}
}
return mask;
}
//创建高通滤波器 -
//简单的说,就是靠近频谱图中心的低频部分给舍弃掉,远离频谱图中心的高频部分保留。通常会保留物体的边界。
Eigen::MatrixXd highPassFilter(const Eigen::MatrixXd & image, int radius = 0)
{
int rows = image.rows();
int cols = image.cols();
//大小变为2的幂数
Eigen::MatrixXd data = padToPowerOfTwo(image);
// 计算傅里叶变换
Eigen::MatrixXcd transformed = FFT2D(data);
//获取幅度谱和相位谱
Eigen::MatrixXd amplitude, phase;
getAmplitudeAndPhaseSpectra(transformed, amplitude, phase);
//振幅谱移动到中心(频率平移)
amplitude = fftShift(amplitude);
///
//增强振幅,用于观测 -- 实际运算注释掉
Eigen::MatrixXd amplitude1 = enhanceSpectrumDisplay(amplitude,1);
cv::Mat highP = tMat(amplitude1);
cv::imshow("highPassFilter",highP);
///
//根据radius创建高频掩码
Eigen::MatrixXd mask = highFrequency(amplitude, radius);
amplitude = amplitude.array() * mask.array();
//振幅谱移动到中心(频率平移)反转换
amplitude = fftShift(amplitude);
// 从幅度谱和相位谱重构复数矩阵
reconstructFromAmplitudeAndPhase(amplitude, phase, transformed);
// 计算逆变换
Eigen::MatrixXcd reconstructed = FFT2D(transformed, true);
return reconstructed.real().block(0, 0, rows, cols);
}
//创建低频 radius越小,越还原图像,越大,减少低频的部分,
Eigen::MatrixXd lowFrequency(const Eigen::MatrixXd & data,int radius)
{
int rows = data.rows();
int cols = data.cols();
// 创建低通滤波器(圆形掩码)
Eigen::MatrixXd mask = Eigen::MatrixXd::Zero(rows, cols);
//中心坐标
int centerRow = rows >> 1;
int centerCol = cols >> 1;
//找到以 radius 大小的矩形范围内
//左边位置
int left = centerCol - radius;
//超过边界 为0
left = left > 0 ? left : 0;
//右边位置
int right = centerCol + radius;
//超过边界 为0
right = right < cols ? right : cols;
//上边位置
int top = centerRow - radius;
//超过边界 为0
top = top > 0 ? top : 0;
//下边位置
int down = centerRow + radius;
//超过边界 为0
down = down < rows ? down : rows;
//在正矩形内画最大的圆
for (int i = top; i < down; ++i)
{
for (int j = left; j < right; ++j)
{
//在图像中心画圆,半径不能超过
double distance = std::sqrt(std::pow(i - centerRow, 2) + std::pow(j - centerCol, 2));
if (distance <= radius)
{
mask(i, j) = 1.0;
}
}
}
return mask;
}
//创建低通滤波器 -
//简单的说,就是靠近频谱图中心的低频部分给保留,远离频谱图中心的高频部分给去除掉。但是这会影响图像的清晰度。
Eigen::MatrixXd lowPassFilter(const Eigen::MatrixXd & image, int radius = 0)
{
int rows = image.rows();
int cols = image.cols();
//大小变为2的幂数
Eigen::MatrixXd data = padToPowerOfTwo(image);
// 计算傅里叶变换
Eigen::MatrixXcd transformed = FFT2D(data);
//获取幅度谱和相位谱
Eigen::MatrixXd amplitude, phase;
getAmplitudeAndPhaseSpectra(transformed, amplitude, phase);
//振幅谱移动到中心(频率平移)
amplitude = fftShift(amplitude);
///
// //增强振幅,用于观测 -- 实际运算注释掉
// Eigen::MatrixXd amplitude1 = enhanceSpectrumDisplay(amplitude,1);
// cv::Mat highP = tMat(amplitude1);
// cv::imshow("lowPassFilter",highP);
///
//根据radius创建高频掩码
Eigen::MatrixXd mask = lowFrequency(amplitude, radius);
amplitude = amplitude.array() * mask.array();
//振幅谱移动到中心(频率平移)反转换
amplitude = fftShift(amplitude);
// 从幅度谱和相位谱重构复数矩阵
reconstructFromAmplitudeAndPhase(amplitude, phase, transformed);
// 计算逆变换
Eigen::MatrixXcd reconstructed = FFT2D(transformed, true);
return reconstructed.real().block(0, 0, rows, cols);
}
int main()
{
cv::Mat img = cv::imread("193560523230866.png");
if (img.empty())
{
std::cout << "请确定是否输入正确的图像文件" << std::endl;
}
cv::Mat gray;
cvtColor(img, gray, cv::COLOR_BGR2GRAY);
//图像转换CV_32F储存
gray.convertTo(gray, CV_32F, 1 / 255.0, 0);
//图像太大,用直接计算 耗时太长,缩小比例
//resize(gray, gray, cv::Size(80, 80));
//Mat 转 MatrixXd
Eigen::MatrixXd image = tMatrixXd(gray);
// 记录开始时间
auto start = std::chrono::high_resolution_clock::now();
//低频
Eigen::MatrixXd low = lowPassFilter(image,50);
//高频
Eigen::MatrixXd high = highPassFilter(image, 50);
// 记录结束时间
auto stop = std::chrono::high_resolution_clock::now();
// 计算持续时间
auto duration = std::chrono::duration_cast<std::chrono::microseconds>(stop - start);
qDebug() << "代码运行时长: " << duration.count() << " 微秒" ;
cv::Mat lowP = tMat(low);
//+0.5 增加显示效果
high = high.array() + 0.5;
cv::Mat highP = tMat(high);
cv::imshow("lowP",lowP);
cv::imshow("highP",highP);
return 0;
}
- 振幅增强