OpenCV离散傅里叶变换

离散傅里叶变换

• 作用：得到图像中几何结构信息
• 结论：傅里叶变换后的白色部分（即幅度较大的低频部分），表示的是图像中慢变化的特性，或者说是灰度变化缓慢的特性（低频部分）。

傅里叶变换后的黑色部分（即幅度低的高频部分），表示图像中快变化的特性，或者说是灰度变化快的特性（高频部分）。

dft()函数

函数原型

void dft(InputArray src, OutputArray dst, int flage=0, int nonzeroRow=0)

• InputArray 类型的 src。输入矩阵，可以为实数或者虚数。
• OutputArray 类型的 dst。函数调用后的运算结果存在这里，其尺寸取决于标识符，也就是第三个参数。
• int 类型的 falgs。转换的标识符，有默认值 0，取值可以为表中的结合。

标识符名称	意义
DFT_INVERSE	用一维或二维逆变换代替默认的正向变换。
DFT_SCALE	缩放比例标识符，输出的结果都会以 1/N 进行放缩，通常擦很难过会结合 DFT_INVERSE 一起使用。
DFT_ROWS	对输入矩阵的每行进行正向或反向的变换，此标识符可以在处理多种矢量的时候用于减小资源的开销，这些处理常常是三维或高位变换等复杂操作
DFT_COMPLEX_OUTPUT	进行一维或二维复数苏胡祖反变换。这样的结果通常是一个大小相同的复矩阵。如果输入的矩阵有复数的共轭对称性（比如是一个带有 DEF_COMPLEX_OUTPUT 标识符的正变换结果），便会输出实矩阵。

• int 类型的 nonzeroRows，有默认值 0.当此参数设为非零时（最好是取值为想要处理的那一行的值，比如 C。rows），函数会假设只有输入矩阵的第一个非零行包含非零元素（没有设置 DFT_INVERSE 标识符），或只有输出矩阵的一个非零行包含非零元素（设置了 DFT_INVERSE 标识符）。这样的话，函数就可对其他行进行更高效的处理，以节省时间开销。

返回 DFT 最优尺寸大小：getOptimalDFTSize()函数

函数原型

int getOptimalDFTSize(int vecsize)

• int 类型的 vecsize，向量尺寸，即图片的 rows、cols。

扩充图像边界：copyMakeBorder()函数

函数原型

void copyMakeBorder(InputArray src, OutputArray dst, int top, int bottom, int left, int right, int borderType, const Scalar& value=Scalar())

• InputArray 类型的 src，输入图像，即源图像，填 Mat 类型的对象即可。
• OutputArray 类型的 dst，函数调用后的运算结果存在这里，即这个参数用于存放函数调用后的输出结果，需和源图片有一样的尺寸和类型，且 size 应该为 Size(src.cols+left+right , src.rows+top+bottom)。
• 接下来的 4 个参数分别是为 int 类型的 top、bottom、left、right，分别表示在源图像的四个方向上填充多少像素。
• 第七个参数，int 类型的 borderType，边界类型，常见取值为 BORDER_CONSTANT，可参考 borderInterpolate()得到更多细节。
• 第八个参数，const Scalar& 类型的 value，有默认值 Scalar()，可以理解为默认值为 0。当 borderType 取值为 BORDER_CONSTANT 时，这个参数表示边界值。

计算二维矢量的幅值：magnitude()函数

函数原型

void magnitude(InputArray x, InputArray y, OutputArray magnitude)

• InputArray 类型的 x，表示矢量的浮点型 X 坐标值，也就是实部。
• InputArray 类型的 y，表示矢量的浮点型 Y 坐标值，也就是虚部。
• OutputArray 类型的 magnitude，输出的幅值，它和第一个参数 x 有着同样的尺寸和类型。

计算自然对数：log()函数

计算数组元素绝对值的自然对数
函数原型

void log(InputArray src, OutputArray dst)

• 输入图像
• 得到的对数值

矩阵归一化：normalize()函数

函数原型

void normalize(InputArray src, OutputArray dst, double alpha=1, double beta=0, int norm_type=NORM_L2, int dtype=-1, InputArray mask=noArray())

• InputArray 类型的 src。输入图像，即源图像，填 Mat 类的对象即可。
• OutputArray 类型的 dst。函数调用后的运算结果。和源图片有一样的尺寸和类型。
• double 类型的 alpha。归一化后的最大值，默认值 1。
• double 类型的 beta。归一化后的最小值，默认值 0。
• int 类型的 norm_type。归一化类型，有 NORM_INF、NORM_L1、NORM_L2 和 NORM_MINMAX 等参数可选，有默认值 NORM_12。
• int 类型的 dtype，有默认值-1。当参数去负值时，输出矩阵和 src 有同样的类型，否则，它和 src 有同样的通道数，且此时图像深度为 CV_MAT_DEPTH (dtype)。
• InputArray 类型的 mask，可选的操作掩膜，有默认值 noArray()。

综合示例

#include<core.hpp>
#include<imgproc.hpp>
#include<highgui.hpp>
#include<iostream>
using namespace cv;
using namespace std;


int main()
{
	// 1.以灰度模式读取
	Mat srcImage = imread("..//..//0.jpg",0);
	if (!srcImage.data)
	{
		printf("读入错误");
		return false;
	}
	imshow("原始图像", srcImage);

	// 2.将输入图像延扩到最佳尺寸，边界用0补充
	int m = getOptimalDFTSize(srcImage.rows);
	int n = getOptimalDFTSize(srcImage.cols);
	// 将添加的像素初始化为0。
	Mat padded;
	copyMakeBorder(srcImage, padded, 0, m - srcImage.rows, 0, n - srcImage.cols, BORDER_CONSTANT, Scalar::all(0));

	// 3.为傅里叶变换的结果（实部和虚部）分配空间。
	// 将planes数组组合合并成一个多通道的数组complexI
	Mat planes[] = { Mat_<float>(padded), Mat::zeros(padded.size(),CV_32F) };
	Mat complexI;
	merge(planes, 2, complexI);

	// 4.进行离散傅里叶变换
	dft(complexI, complexI);

	// 5.将复数转换为幅值，即 log(1+sqrt(Re(DFT(I))^2 + Im(DFT(I))^2)
	split(complexI, planes);	//将多通道数组complexI分离成几个单通道数组，[0]=Re,[1]=Im
	magnitude(planes[0], planes[1], planes[0]);	//planes[0] = magnitude
	Mat magnitudeImage = planes[0];

	// 6.进行对数尺度（logarithmic scale）缩放
	magnitudeImage += Scalar::all(1);
	log(magnitudeImage, magnitudeImage);	//求自然对数

	// 7.剪切和重分布幅度图象限
	//若有奇数行或奇数列，进行频谱裁剪
	magnitudeImage = magnitudeImage(Rect(0, 0, magnitudeImage.cols & -2, magnitudeImage.rows & -2));

	// 重新排列傅里叶图像中的象限，使得原点位于图像中心
	int cx = magnitudeImage.cols / 2;
	int cy = magnitudeImage.rows / 2;
	Mat q0(magnitudeImage, Rect(0, 0, cx, cy));		//ROI区域的左上
	Mat q1(magnitudeImage, Rect(cx, 0, cx, cy));	//ROI区域的右上
	Mat q2(magnitudeImage, Rect(0, cy, cx, cy));	//ROI区域的左下
	Mat q3(magnitudeImage, Rect(cx, cy, cx, cy));	//ROI区域的右下
	//交换象限（左上与右下进行交换）
	Mat tmp;
	q0.copyTo(tmp);
	q3.copyTo(q0);
	tmp.copyTo(q3);
	//交换象限（右上与左下进行交换）
	q1.copyTo(tmp);
	q2.copyTo(q1);
	tmp.copyTo(q2);

	// 8.归一化，用0到1之间的浮点值将矩阵变换为可视化的图像格式
	normalize(magnitudeImage, magnitudeImage, 0, 1, NORM_MINMAX);

	// 9.显示效果图
	imshow("频谱幅值", magnitudeImage);
	waitKey();

return 0;
}