update ch23

Author: makelove

ch23-图像变换/23.1.3 DFT 的性能优化.py

@@ -0,0 +1,43 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/13 上午11:12
+# @Author  : play4fun
+# @File    : 23.1.3 DFT 的性能优化.py
+# @Software: PyCharm
+
+"""
+23.1.3 DFT 的性能优化.py:
+"""
+import numpy as np
+
+# In [16]: img = cv2.imread('messi5.jpg',0)
+# In [17]: rows,cols = img.shape
+# In [18]: print rows,cols
+# 342 548
+# In [19]: nrows = cv2.getOptimalDFTSize(rows)
+# In [20]: ncols = cv2.getOptimalDFTSize(cols)
+# In [21]: print nrows, ncols
+# 360 57
+
+nimg = np.zeros((nrows,ncols))
+nimg[:rows,:cols] = img
+
+#或者
+right = ncols - cols
+bottom = nrows - rows
+#just to avoid line breakup in PDF file
+bordertype = cv2.BORDER_CONSTANT
+nimg = cv2.copyMakeBorder(img,0,bottom,0,right,bordertype, value = 0)
+
+#现在我们看看 Numpy 的 现
+
+In [22]: %timeit fft1 = np.fft.fft2(img)
+10 loops, best of 3: 40.9 ms per loop
+In [23]: %timeit fft2 = np.fft.fft2(img,[nrows,ncols])
+100 loops, best of 3: 10.4 ms per loop
+
+# 度提 了 4 倍。我们再看看 OpenCV 的 现
+In [24]: %timeit dft1= cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)
+100 loops, best of 3: 13.5 ms per loop
+
+In [27]: %timeit dft2= cv2.dft(np.float32(nimg),flags=cv2.DFT_COMPLEX_OUTPUT)
+100 loops, best of 3: 3.11 ms per loop

ch23-图像变换/23.1.4 为什么拉普拉斯算子是高通滤波器.py

@@ -0,0 +1,49 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/13 上午11:18
+# @Author  : play4fun
+# @File    : 23.1.4 为什么拉普拉斯算子是高通滤波器.py
+# @Software: PyCharm
+
+"""
+23.1.4 为什么拉普拉斯算子是高通滤波器.py:
+从图像中我们就可以看出每一个算子允    些信号。从 些信息中我 们就可以知  些是 HPF  是 LPF
+"""
+
+import cv2
+import numpy as np
+from matplotlib import pyplot as plt
+
+# simple averaging filter without scaling parameter
+mean_filter = np.ones((3, 3))
+# creating a guassian filter
+x = cv2.getGaussianKernel(5, 10)
+
+gaussian = x * x.T
+# different edge detecting filters
+# scharr in x-direction
+scharr = np.array([[-3, 0, 3],
+                   [-10, 0, 10],
+                   [-3, 0, 3]])
+# sobel in x direction
+sobel_x = np.array([[-1, 0, 1],
+                    [-2, 0, 2],
+                    [-1, 0, 1]])
+# sobel in y direction
+sobel_y = np.array([[-1, -2, -1],
+                    [0, 0, 0],
+                    [1, 2, 1]])
+# laplacian
+laplacian = np.array([[0, 1, 0],
+                      [1, -4, 1],
+                      [0, 1, 0]])
+filters = [mean_filter, gaussian, laplacian, sobel_x, sobel_y, scharr]
+filter_name = ['mean_filter', 'gaussian', 'laplacian', 'sobel_x', 'sobel_y', 'scharr_x']
+
+fft_filters = [np.fft.fft2(x) for x in filters]
+fft_shift = [np.fft.fftshift(y) for y in fft_filters]
+mag_spectrum = [np.log(np.abs(z) + 1) for z in fft_shift]
+
+for i in range(6):
+    plt.subplot(2, 3, i + 1), plt.imshow(mag_spectrum[i], cmap='gray')
+    plt.title(filter_name[i]), plt.xticks([]), plt.yticks([])
+plt.show()

ch23-图像变换/OpenCV中的傅里叶变换-DFT.py

@@ -0,0 +1,33 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/13 上午10:59
+# @Author  : play4fun
+# @File    : OpenCV中的傅里叶变换-DFT.py
+# @Software: PyCharm
+
+"""
+OpenCV中的傅里叶变换-DFT.py:
+OpenCV 中相应的函数是 cv2.dft() 和 cv2.idft()。和前  出的结果 一样 但是是双通道的。
+第一个通道是结果的实数部 分
+第二个通道是结果的虚数部分。
+输入图像  先 换成 np.float32 格式
+
+使用函数 cv2.cartToPolar() 它会同时返回幅度和相位。
+
+"""
+
+import numpy as np
+import cv2
+from matplotlib import pyplot as plt
+
+img = cv2.imread('../data/messi5.jpg', 0)
+
+dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
+
+dft_shift = np.fft.fftshift(dft)
+magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))
+
+plt.subplot(121), plt.imshow(img, cmap='gray')
+plt.title('Input Image'), plt.xticks([]), plt.yticks([])
+plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
+plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
+plt.show()

ch23-图像变换/OpenCV中的傅里叶变换-逆DFT.py

@@ -0,0 +1,40 @@
+# -*- coding: utf-8 -*-
+# @Time    : 2017/7/13 上午11:03
+# @Author  : play4fun
+# @File    : OpenCV中的傅里叶变换-逆DFT.py
+# @Software: PyCharm
+
+"""
+OpenCV中的傅里叶变换-逆DFT.py:
+在前 的 分我们实现了一个 HPF 高通滤波   现在我们来做 LPF 低通滤波 将高频分去除。其实就是对图像进行模糊操作。
+ 首先我们  构建一个掩模 与低 区域对应的地方 置为 1, 与  区域 对应的地方 置为 0。
+"""
+
+import numpy as np
+import cv2
+from matplotlib import pyplot as plt
+
+img = cv2.imread('../data/messi5.jpg', 0)
+
+dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
+
+dft_shift = np.fft.fftshift(dft)
+
+rows, cols = img.shape
+crow, ccol = int(rows / 2), int(cols / 2)
+
+# create a mask first, center square is 1, remaining all zeros
+mask = np.zeros((rows, cols, 2), np.uint8)
+mask[crow - 30:crow + 30, ccol - 30:ccol + 30] = 1
+
+# apply mask and inverse DFT
+fshift = dft_shift * mask
+f_ishift = np.fft.ifftshift(fshift)
+img_back = cv2.idft(f_ishift)
+img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1])
+
+plt.subplot(121), plt.imshow(img, cmap='gray')
+plt.title('Input Image'), plt.xticks([]), plt.yticks([])
+plt.subplot(122), plt.imshow(img_back, cmap='gray')
+plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
+plt.show()

ch23-图像变换/fftshift-Numpy中的傅里叶变换.py

@@ -0,0 +1,27 @@
+# -*-coding:utf8-*-#
+__author__ = 'play4fun'
+"""
+create time:15-10-24 下午5:42
+
+函数 np.fft.fft2() 可以对信号   率  换  出结果是一个复杂的数组。
+第一个参数是 入图像  求是灰 度格式。
+第二个参数是可 的, 决定 出数组的大小。
+ 输出数组的大小和输入图像大小一样。如果输出结果比输入图像大 
+  输入图像就需要在进行 FFT 前补0。如果输出结果比输入图像小的话   输入图像就会被切割。
+"""
+
+import cv2
+import numpy as np
+from matplotlib import pyplot as plt
+
+img = cv2.imread('../data/messi5.jpg', 0)
+f = np.fft.fft2(img)
+fshift = np.fft.fftshift(f)
+# 这里构建振幅图的公式没学过
+magnitude_spectrum = 20 * np.log(np.abs(fshift))
+
+plt.subplot(121), plt.imshow(img, cmap='gray')
+plt.title('Input Image'), plt.xticks([]), plt.yticks([])
+plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
+plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
+plt.show()

ch23-图像变换/fftshift-abs-Numpy.py

@@ -0,0 +1,38 @@
+# -*-coding:utf8-*-#
+__author__ = 'play4fun'
+"""
+create time:15-10-24 下午5:42
+
+现在我们可以   域变换了 我们就可以在 域对图像  一些操 作了 例如  滤波和 建图像 DFT 的 变换 。比如我们可以使用一个 60x60 的矩形窗口对图像  掩模操作从而去 低 分 。然后再使用函数 np.fft.ifftshift()    平移操作 所以现在直流分 又回到左上 了 左 后使用函数 np.ifft2()    FFT  变换。同样又得到一堆复杂的数字 我们 可以对他们取绝对值 
+
+"""
+
+import cv2
+import numpy as np
+from matplotlib import pyplot as plt
+
+img = cv2.imread('../data/messi5.jpg', 0)
+f = np.fft.fft2(img)
+fshift = np.fft.fftshift(f)
+
+rows, cols = img.shape
+crow, ccol = int(rows / 2), int(cols / 2)
+fshift[crow - 30:crow + 30, ccol - 30:ccol + 30] = 0
+f_ishift = np.fft.ifftshift(fshift)
+img_back = np.fft.ifft2(f_ishift)
+# 取绝对值
+img_back = np.abs(img_back)
+
+plt.subplot(131), plt.imshow(img, cmap='gray')
+plt.title('Input Image'), plt.xticks([]), plt.yticks([])
+plt.subplot(132), plt.imshow(img_back, cmap='gray')
+plt.title('Image after HPF'), plt.xticks([]), plt.yticks([])
+plt.subplot(133), plt.imshow(img_back)
+plt.title('Result in JET'), plt.xticks([]), plt.yticks([])
+plt.show()
+
+'''
+如果你 察仔细的  尤其是最后一章 JET  色的图像 你会看到一些不 自然的东  如我用红色箭头标出的区域 。看上图  有些条带 的结构    成为振铃效应。
+ 这是由于我们使用矩形窗口做掩模 成的。 个掩模  换 成正弦形状时就会出现 个  。所以一般我们不 用矩形窗口滤波。最好的  择是高斯窗口。
+
+'''