【频率域平滑、锐化滤波器】理想滤波器，巴特沃思滤波器，高斯滤波器
- 一、背景知识
- 二、理想滤波器原理及实现
* - 1.理想低通滤波器
- 2.理想低通滤波器的实现：
- 3.理想高通滤波器：
- 三、巴特沃思滤波器原理及实现
* - 1.巴特沃思低通滤波器
- 2.巴特沃思高通滤波器
- 三、高斯滤波器原理及实现
* - 1.高斯低通滤波器：
- 2.高斯高通滤波器：
- 四、代码附录
- 五、结尾
一、背景知识
本文主要介绍频率域滤波器，此处的频率域是基于傅立叶变换得出。
在一幅图像中， 低频对应图像变化缓慢的部分，即图像大致外观和轮廓。 高频部分对应图像变化剧烈的部分即图像细节。低通滤波器的功能是让低频率通过而滤掉或衰减高频，其作用是过滤掉包含在高频中的噪声。即低通滤波的效果是图像去噪声平滑增强，但同时也抑制了图像的边界即过滤掉图像细节，造成图像不同程序上的模糊。
这里考虑三种滤波器，分别为理想滤波器、巴特沃思滤波器和高斯滤波器。这三种滤波器分别有其低通滤波器和高通滤波器。
这三种滤波器涵盖了从非常尖锐（理想）到非常平坦（高斯）范围的滤波器函数。巴特沃思滤波器有一个参数，称为滤波器的”阶数”。当此参数的值较高时，巴特沃思滤波器接近理想滤波器。因此，巴特沃思滤波器可看作两种”极端”滤波器的过渡。
二、理想滤波器原理及实现
1.理想低通滤波器
我们所想像的最简单的低通滤波器是”截断”傅里叶变换中所有高频部分，这些成分处在距变换原点的距离比指定距离D0要更远得多的位置。这种滤波器被称为二维理想低通滤波器（ILPF），其变换函数为：
其中，D0是指定的非负数值，D（u,w）是（u，v）点距频率矩形原点的距离。如果要研究的图像尺寸为M*X，它的变换也有相同的尺寸，由于变换被中心化了，所以频率矩阵的中心在（u，v）=（M/2,N/2）处。在这种情况下，从点（u，v）到傅立叶变换中心的距离如下所示：（参照傅立叶变换和频率域）
需要注意理想低通滤波非常不实用，在使用中会产生”振铃”（输出图像的灰度剧烈变化处产生的震荡，就好像钟被敲击后产生的空气震荡）。然而，因为理想滤波器可以在计算机上实现，所以作为滤波概念发展的一部分，研究滤波器的特性非常有用。
; 2.理想低通滤波器的实现：
步骤一：将图像扩充为适合离散傅立叶变换的图像尺寸大小。
Mat Filter::ImageChangeForDft(const Mat & input)
{
int width = getOptimalDFTSize(input.cols);
int height = getOptimalDFTSize(input.rows);
Mat output;
copyMakeBorder(input,output,0,height-input.rows,0,width-input.cols,BORDER_CONSTANT,Scalar::all(0));
output.convertTo(output,CV_32FC1);
return output;
}
核心函数介绍：
int getOptimalDFTSize(int vecsize);
int类型的vecsize，向量尺寸，一般是图片的宽或高。
该函数可以自动计算最适合进行离散傅里叶变换的图像尺寸大小，从而提高计算速度。
CV_EXPORTS_W void copyMakeBorder(InputArray src, OutputArray dst, int top, int bottom, int left, int right,int borderType, const Scalar& value = Scalar() );
src：输入图像。 dst：输出图像(类型和输入图像类型一致，大小为：Size(src.cols+left+right,src.rows+top+bottom))。
top、 bottom、 left、 right: 这4个参数指定输出图像4个方向要扩展多少个像素，
bordertype：已拷贝的原图像长方形的边界的类型：
IPL_BORDER_CONSTANT：填充边界为固定值，值由函数最后一个参数指定。
IPL_BORDER_REPLICATE：边界用上下行或者左右列来复制填充。
value：如果border==BORDER_CONSTANT，value为border value。
步骤二：根据公式截断，获得滤波器ILPF
Mat Filter::IdealLowKernel(Mat &input,const float sigma) {
Mat result(input.size(),CV_32FC1);
float d0=sigma;
for(int i=0;i<input.rows ; i++ )
{
for(int j=0; j<input.cols ; j++ )
{
float d = sqrt(pow((i - input.rows/2),2) + pow((j - input.cols/2),2));
if (d d0)
{
result.at<float>(i,j)=1;
}
else
{
result.at<float>(i,j)=0;
}
}
}
return result; }
float d = sqrt(pow((i – input.rows/2),2) + pow((j – input.cols/2),2))
注意：该公式是基于频谱居中后的频谱图进行到中心点的距离计算，所以dft之后需要将频谱居中再计算
理想低通滤波”截断”傅里叶变换中所有高频部分，这些成分处在距变换原点的距离比指定距离D0要更远得多的位置，根据点（u，v）到傅立叶变换中心的距离进行截断。
步骤三：空间域转频率域，与滤波器ILPF相乘，再转回空间域
Mat Filter::FrequencyFilter(Mat &input,Mat &blur)
{
Mat plane[] = {input , Mat::zeros(input.size() , CV_32FC1)};
Mat dftMat;
merge(plane,2,dftMat);
dft(dftMat,dftMat);
split(dftMat,plane);
int cx = plane[0].cols/2;
int cy = plane[0].rows/2;
Mat part1_r(plane[0],Rect(0,0,cx,cy));
Mat part2_r(plane[0],Rect(cx,0,cx,cy));
Mat part3_r(plane[0],Rect(0,cy,cx,cy));
Mat part4_r(plane[0],Rect(cx,cy,cx,cy));
Mat temp;
part1_r.copyTo(temp);
part4_r.copyTo(part1_r);
temp.copyTo(part4_r);
part2_r.copyTo(temp);
part3_r.copyTo(part2_r);
temp.copyTo(part3_r);
Mat part1_i(plane[1],Rect(0,0,cx,cy));
Mat part2_i(plane[1],Rect(cx,0,cx,cy));
Mat part3_i(plane[1],Rect(0,cy,cx,cy));
Mat part4_i(plane[1],Rect(cx,cy,cx,cy));
part1_i.copyTo(temp);
part4_i.copyTo(part1_i);
temp.copyTo(part4_i);
part2_i.copyTo(temp);
part3_i.copyTo(part2_i);
temp.copyTo(part3_i);
Mat blur_r,blur_i,BLUR;
multiply(plane[0], blur, blur_r);
multiply(plane[1], blur,blur_i);
Mat plane1[]={blur_r, blur_i};
merge(plane1,2,BLUR);
idft( BLUR, BLUR);
split(BLUR,plane);
magnitude(plane[0],plane[1],plane[0]);
normalize(plane[0],plane[0],1,0,CV_MINMAX);
Mat result;
normalize(plane[0], result, 0, 255, CV_MINMAX);
return result;
}
基于以上算法，可以更换滤波器达到不同的图像增强效果。
3.理想高通滤波器：
剔除低频，即当d
Original: https://blog.csdn.net/weixin_48846514/article/details/127542697
Author: penenz
Title: 【图像处理：频率域平滑与锐化】理想滤波器，巴特沃思滤波器，高斯滤波器
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/633247/
转载文章受原作者版权保护。转载请注明原作者出处！