数字图像处理（二）傅里叶变换
数字图像处理（二）之傅里叶变换
使用python实现数字图像处理中如下功能：
- 二维傅里叶变换
- 图像二维傅里叶逆变换
- 图像中心化傅里叶变换和谱图像
- 图像2的整数次幂填充
代码链接：xiaohuiduan/image_process (github.com)
二维傅里叶变换和逆变换
图像二维傅里叶变换的公式为，\(M,N\)为图像的大小，\(x,y\)为图像的坐标。
其中，图像的傅里叶变换公式可以等价于：
也就是说，计算二维傅里叶变换可以先计算行的一维DFT然后再计算列的一维DFT。而一维的傅里叶变换可以使用快速傅里叶变换的方式提高运算速度。因此二维傅里叶变换这样做可以提高计算的速度。
在逆变换中，可以进行如下的变换，将逆变换变成傅立叶正变换的形式。
其中\(F^*\)代表共轭。\(f^* = f\)（因为\(f\)是实数，共轭保持不变。）因此：
也就是说，可以将傅里叶变换后的结果进行共轭，然后再次进行傅里叶变换并除以\(MN\)，便可以得到IDFT后的结果。
进行一维傅里叶变换，如果使用公式\(F(u)=\sum_{x=0}^{M-1} f(x) e^{-j 2 \pi\left(\frac{u x}{M}\right)}\)进行结算，则时间复杂度为\(M^2\)，而使用快速傅里叶变换，则时间复杂度为\(log_2M\)。
一维快速傅里叶变换可以借助numpy中的函数进行实现。下面定义dft2D函数，对图像顺序进行x轴y轴进行一维傅里叶变换，便可以得到二维傅里叶变换。
在图像的傅里叶变换中，如果对傅里叶变换结果进行展示，会发现图像的亮度部分分散在边缘。于是可以对傅里叶变换进行中心化，这样人眼看起来就比较明显。（图像傅里叶的中心化等价于对图像进行image_copy[i][j] = image_copy[i][j]*((-1)**(i+j))）
def dft2D(self, image: np.array, shift: bool = False):
"""二维傅里叶变换，先对X轴进行傅里叶变换，然后再对Y轴进行傅里叶变换。
Args:
image (np.array): [图像ORkernel]
shift (bool, optional): [是否中心化]. Defaults to False.
Returns:
[type]: [返回傅里叶变换的值：a+bj]
"""
image_copy = image.copy()
if shift:
for i in range(image_copy.shape[0]):
for j in range(image_copy.shape[1]):
image_copy[i][j] = image_copy[i][j]*((-1)**(i+j))
dft_row = np.fft.fft(image_copy, axis=0)
dft_2 = np.fft.fft(dft_row, axis=1)
return dft_2
同时定义IDFT变换函数如下所示，对于IDFT变换我们只需要按照\(f(x, y)=\frac{\sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F^{*}(u, v) e^{-j 2 \pi\left(\frac{u x}{M}+\frac{v y}{N}\right)}}{M N}\)来写代码，就很简单了。
def idft2D(self, dft_2: np.array, shift: bool = False):
"""使用dft进行idft变换，F -> F*(共轭变换)
Args:
dft_2 (np.array): [傅里叶变换]
shift (bool,optional): [是否反中心化]. Defaults to False.
Returns:
[type]: [image进行反傅里叶变换，可能会产生j虚值。返回幅值]
"""
dft_2_copy = dft_2.copy()
idft_row = np.fft.fft(dft_2_copy.conjugate(), axis=0)
image = np.fft.fft(idft_row, axis=1)
image = image/(image.shape[0]*image.shape[1])
if shift:
for i in range(image.shape[0]):
for j in range(image.shape[1]):
image[i][j] = image[i][j]*(-1)**(i+j)
return abs(image)
下面简单的定义两个画图函数，分别对傅里叶变换后的图像进行画图。
def show_dft2D_in_2D(self, title: str, dft2: np.array, set_log: bool = True):
"""在2维平面上展示傅里叶变换，幅值
Args:
title (str): [标题]
dtf2 (np.array): [傅里叶变换的图像]
set_log (bool): [对傅里叶变换后的结果取log]
"""
dft2_copy = dft2.copy()
dft2_copy = abs(dft2_copy)
if set_log:
dft2_copy = np.log2(dft2_copy+1)
self.show_img(title, [dft2_copy], ['gray'])
return dft2_copy
def show_dft2D_in_3D(self, title: str, image: np.array, set_log: bool = True):
"""在3维平面上展示傅里叶变换
Args:
title (str): [标题]
image (np.array): [傅里叶变换的图像]
set_log (bool): [对傅里叶变换后的结果取log]
"""
image = abs(image)
if set_log:
image = np.log10(image+1)
fig = plt.figure()
plt.title(title)
ax3 = plt.axes(projection='3d')
xx = np.arange(0, image.shape[0])
yy = np.arange(0, image.shape[1])
X, Y = np.meshgrid(xx, yy)
ax3.plot_surface(X, Y, image.astype('uint8'), cmap='rainbow')
plt.show()
比如说画出\(\sigma=1\)的高斯傅里叶变化的图：
画出rose原图，idft还原的图以及两者差值
图像2的整数次幂填充
在快速傅里叶变换中，假定\(N\)为2的整数次方。因此如果图像的shape不为2的整数次幂，就需要对其进行填充。
下面是numpy fft函数的一些说明
FFT (Fast Fourier Transform) refers to a way the discrete Fourier Transform (DFT) can be calculated efficiently, by using symmetries in the calculated terms. The symmetry is highest when
nis a power of 2, and the transform is therefore most efficient for these sizes.
对于某个数，找到最近的2的整数次幂可以用如下的算法（算法来源于Java HashMap）：
def find2power(self,cap):
"""找到距离cap最近的2的整数次幂,activate by the hashmap in the Java
Args:
cap ([type]): [cap > 0]
Returns:
[type]: [2的整数次幂]
"""
n = cap - 1
n |= n >> 1
n |= n >> 2
n |= n >> 4
n |= n >> 8
n |= n >> 1
return n+1
因此，对某张图片（灰度图片）进行2的整数次幂的填充操作可以使用如下操作。
image_w = image.shape[0]
image_h = image.shape[1]
fit_w = ImageP.find2power(image_w)
fit_h = ImageP.find2power(image_h)
padding_w = int((fit_w-image_w)/2)
padding_h = int((fit_h - image_h)/2)
image_pad = np.zeros((fit_w,fit_h,1))
image_pad[padding_w:image_w+padding_w,padding_h:image_h+padding_h,:] = image
参考
- 数字图像处理（第三版）
