Перетворення Фур'є
Перетворення Фур'є (FT) — це фундаментальний математичний інструмент, який використовується в обробці зображень для аналізу частотних компонентів зображення.
Воно дозволяє перетворювати зображення з просторової області (де значення пікселів представлені безпосередньо) у частотну область (де аналізуються шаблони та структури на основі їх частоти). Це корисно для таких завдань, як фільтрація зображень, виявлення країв та зменшення шуму.
Спочатку необхідно перетворити зображення у відтінки сірого:
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
Ми використали COLOR_BGR2GRAY, оскільки зображення зазвичай зчитуються у форматі BGR, який є зворотним до RGB.
Для обчислення 2D-фур'є-перетворення:
dft = np.fft.fft2(image)
dft_shift = np.fft.fftshift(dft)
Тут fft2() перетворює зображення з просторової області у частотну область, а fftshift() переміщує низькочастотні компоненти в центр.
Для візуалізації спектра амплітуд:
magnitude_spectrum = 20 * np.log(np.abs(dft_shift))
Оскільки фур'є-перетворення повертає комплексні числа, для коректної візуалізації використовуються абсолютні значення (np.abs()).
Функція np.log підсилює видимість, оскільки початкові значення амплітуди мають великий діапазон.
Swipe to start coding
Вам надано image:
- Перетворіть зображення у відтінки сірого та збережіть у змінній
gray_image; - Застосуйте Фур'є-перетворення до
gray_imageта збережіть у зміннійdft; - Зробіть зсув нульової частоти до центру та збережіть результат у змінній
dft_shift; - Обчисліть спектр амплітуд та збережіть у змінній
magnitude_spectrum.
Рішення
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Can you explain why we use the frequency domain for image processing?
What are some practical applications of the magnitude spectrum?
How do I interpret the magnitude spectrum visually?
Awesome!
Completion rate improved to 3.45Перетворення Фур'є
Свайпніть щоб показати меню
Перетворення Фур'є (FT) — це фундаментальний математичний інструмент, який використовується в обробці зображень для аналізу частотних компонентів зображення.
Воно дозволяє перетворювати зображення з просторової області (де значення пікселів представлені безпосередньо) у частотну область (де аналізуються шаблони та структури на основі їх частоти). Це корисно для таких завдань, як фільтрація зображень, виявлення країв та зменшення шуму.
Спочатку необхідно перетворити зображення у відтінки сірого:
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
Ми використали COLOR_BGR2GRAY, оскільки зображення зазвичай зчитуються у форматі BGR, який є зворотним до RGB.
Для обчислення 2D-фур'є-перетворення:
dft = np.fft.fft2(image)
dft_shift = np.fft.fftshift(dft)
Тут fft2() перетворює зображення з просторової області у частотну область, а fftshift() переміщує низькочастотні компоненти в центр.
Для візуалізації спектра амплітуд:
magnitude_spectrum = 20 * np.log(np.abs(dft_shift))
Оскільки фур'є-перетворення повертає комплексні числа, для коректної візуалізації використовуються абсолютні значення (np.abs()).
Функція np.log підсилює видимість, оскільки початкові значення амплітуди мають великий діапазон.
Swipe to start coding
Вам надано image:
- Перетворіть зображення у відтінки сірого та збережіть у змінній
gray_image; - Застосуйте Фур'є-перетворення до
gray_imageта збережіть у зміннійdft; - Зробіть зсув нульової частоти до центру та збережіть результат у змінній
dft_shift; - Обчисліть спектр амплітуд та збережіть у змінній
magnitude_spectrum.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
