python opencv图像的高通滤波和低通滤波怎么实现

这篇文章主要介绍“python opencv图像的高通滤波和低通滤波怎么实现”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“python opencv图像的高通滤波和低通滤波怎么实现”文章能帮助大家解决问题。

完整代码

低通滤波

import cv2
import numpy as np
import matplotlib.pyplot as plt

# cv2.imread()在读取图像的时候，默认的是读取成RGB图像,cv2.IMREAD_GRAYSCALE将以灰度图的形式读取
img = cv2.imread('./moon.jpg', flags = cv2.IMREAD_GRAYSCALE)  
# 将图像除以255是为了将图像向数字准换成fioat32数据
img1 = img/255 
# 进行傅里叶变换，时域——>频域
dtf = cv2.dft(img1, flags = cv2.DFT_COMPLEX_OUTPUT)  
# 移动低频波到中心位置
dft_shift = np.fft.fftshift(dtf)  

# 低通滤波
h,w = img.shape
# 图像中心点即低频波所在位置
h3, w2 = h//2, w//2  
mask = np.zeros((h,w,2), dtype=np.uint8)
# 选取长宽为100的区域的低频部分为1，其余部分为0
mask[h3-50:h3+50,w2-50:w2+50] = 1  

# 低频部分保留，其余部分*0被滤掉
dft_shift*=mask  
# 傅里叶逆变换，频域——>时域
ifft_shift2 = np.fft.ifftshift(dft_shift)  
result = cv2.idft(ifft_shift2)

# 创建显示窗口，显示原图
plt.figure(figsize=(12,9))
plt.subplot(121)
plt.imshow(img, cmap = 'gray')

# 创建显示窗口，显示低通滤波后的图像
plt.subplot(122)
plt.imshow(result[:,:,0], cmap='gray')
plt.show()

高通滤波

高通滤波和低通滤波的主要区别在于，低通滤波是保留中心的低频波去除高频波，高通滤波是去除中心的低频波保留高频波。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# cv2.imread()在读取图像的时候，默认的是读取成RGB图像,cv2.IMREAD_GRAYSCALE将以灰度图的形式读取
img = cv2.imread('./moon.jpg', flags = cv2.IMREAD_GRAYSCALE)  
# 将图像除以255是为了将图像向数字准换成fioat32数据
img1 = img/255 
# 进行傅里叶变换，时域——>频域
dtf = cv2.dft(img1, flags = cv2.DFT_COMPLEX_OUTPUT)  
# 移动低频波到中心位置
dft_shift = np.fft.fftshift(dtf)

# 高通滤波
h,w = img.shape
# 图像中心点即低频波所在位置
h3, w2 = h//2, w//2  # 中心点
# 选取长宽为100的区域的低频部分为0，其余高频部分为1
dft_shift[h3-5:h3+5,w2-5:w2+5] = 0
# 傅里叶逆变换，频域——>时域
ifft_shift2 = np.fft.ifftshift(dft_shift)  
result = cv2.idft(ifft_shift2)

# 创建显示窗口，显示原图
plt.figure(figsize=(12,9))
plt.subplot(121)
plt.imshow(img, cmap = 'gray')

# 创建显示窗口，显示低通滤波后的图像
plt.subplot(122)
plt.imshow(result[:,:,0], cmap='gray')
plt.show()

结果展示

改变滤波区域的大小可以改变滤波的程度，可以修改如图所示的代码中的相关部分：

低通滤波

高通滤波

关于“python opencv图像的高通滤波和低通滤波怎么实现”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注亿速云行业资讯频道，小编每天都会为大家更新不同的知识点。