Sveip for å vise menyen

Lavpass- og Høypassfiltre

En av hovedfordelene med Fourier-transformasjonen er at den gjør det mulig å utføre høy-pass og lav-pass filtrering.

Etter at vi har brukt Fourier-transformasjonen:

vi må lage en filtreringsmaske

Lav-pass filtrering (uskarphet)

Et lav-pass filter fjerner høyfrekvente komponenter, noe som resulterer i et uskarpt bilde. Lav-pass maske:

rows, cols = image.shape: henter antall rader og kolonner fra gråskalabildet;
crow, ccol = rows // 2, cols // 2: beregner sentrumskordinatene til bildet;
mask = np.zeros((rows, cols), np.uint8): lager en maske med nuller med samme dimensjoner som bildet;
mask[crow-30:crow+30, ccol-30:ccol+30] = 1: setter et 60×60 kvadratisk område i midten av masken til 1, slik at kun lavfrekvente komponenter (nær sentrum av frekvensdomenet) slipper gjennom, mens høyfrekvente detaljer filtreres bort.

Et høy-passfilter fjerner lavfrekvente komponenter og fremhever kanter. Høy-passmaske:

highpass_mask = np.ones((rows, cols), np.uint8): initialiserer en maske med ener med samme dimensjoner som bildet, noe som betyr at alle frekvenser i utgangspunktet får passere;
highpass_mask[crow-5:crow+5, ccol-5:ccol+5] = 0: setter et lite 10×10 kvadrat i midten (lavfrekvensområdet) til null, og blokkerer dermed disse frekvensene.

Etter å ha opprettet masken, må vi bruke et filter og transformere bildet vårt tilbake til det romlige domenet:

dft_filtered = dft_shift * mask: bruker frekvensdomene-masken (for eksempel lavpass eller høypass) ved elementvis multiplikasjon med det forskjøvne DFT-bildet;
dft_inverse = np.fft.ifftshift(dft_filtered): reverserer forskyvningen som ble brukt tidligere for å bringe frekvenskomponentene tilbake til sine opprinnelige posisjoner;
image_filtered = np.fft.ifft2(dft_inverse): beregner den inverse Fourier-transformasjonen for å konvertere de filtrerte frekvensdataene tilbake til det romlige domenet;
image_filtered = np.abs(image_filtered): tar den absolutte verdien for å fjerne eventuelle gjenværende imaginære komponenter, noe som gir et reelt filtrert bilde.

Oppgave

Swipe to start coding

Du har fått et bilde av sauen i variabelen image og et bilde i frekvensdomenet i variabelen dft_shift:

Hent formen til image-matrisen og lagre den i variablene rows og cols;
Beregn sentrumspunktet og lagre i crow og ccol;
Definer low_mask som et array av nuller med form (rows, cols) og typen np.uint8;
Velg det 20x20 store sentrale området i low_mask og fyll det med 1.
Definer high_mask som et array av ettall med form (rows, cols) og typen np.uint8;
Velg det 20x20 store sentrale området i high_mask og fyll det med 0;
Bruk low_mask og high_mask på dft_shift og lagre de filtrerte frekvensene i henholdsvis lowpass_dft_filtered og highpass_dft_filtered;
Utfør invers transformasjon for lowpass_dft_filtered:
- Utfør invers forskyvning og lagre i lowpass_dft_inverse;
- Utfør invers transformasjon og lagre bildet i image_lowpass;
- Fjern negative verdier for image_lowpass.
Utfør invers transformasjon for highpass_dft_inverse:
- Utfør invers forskyvning og lagre i lowpass_dft_inverse;
- Utfør invers transformasjon og lagre bildet i image_highpass;
- Fjern negative verdier for image_highpass.

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 3

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

En av hovedfordelene med Fourier-transformasjonen er at den gjør det mulig å utføre høy-pass og lav-pass filtrering.

Etter at vi har brukt Fourier-transformasjonen:

vi må lage en filtreringsmaske

Et lav-pass filter fjerner høyfrekvente komponenter, noe som resulterer i et uskarpt bilde. Lav-pass maske:

rows, cols = image.shape: henter antall rader og kolonner fra gråskalabildet;
crow, ccol = rows // 2, cols // 2: beregner sentrumskordinatene til bildet;
mask = np.zeros((rows, cols), np.uint8): lager en maske med nuller med samme dimensjoner som bildet;
mask[crow-30:crow+30, ccol-30:ccol+30] = 1: setter et 60×60 kvadratisk område i midten av masken til 1, slik at kun lavfrekvente komponenter (nær sentrum av frekvensdomenet) slipper gjennom, mens høyfrekvente detaljer filtreres bort.

Et høy-passfilter fjerner lavfrekvente komponenter og fremhever kanter. Høy-passmaske:

highpass_mask = np.ones((rows, cols), np.uint8): initialiserer en maske med ener med samme dimensjoner som bildet, noe som betyr at alle frekvenser i utgangspunktet får passere;
highpass_mask[crow-5:crow+5, ccol-5:ccol+5] = 0: setter et lite 10×10 kvadrat i midten (lavfrekvensområdet) til null, og blokkerer dermed disse frekvensene.

Etter å ha opprettet masken, må vi bruke et filter og transformere bildet vårt tilbake til det romlige domenet:

dft_filtered = dft_shift * mask: bruker frekvensdomene-masken (for eksempel lavpass eller høypass) ved elementvis multiplikasjon med det forskjøvne DFT-bildet;
dft_inverse = np.fft.ifftshift(dft_filtered): reverserer forskyvningen som ble brukt tidligere for å bringe frekvenskomponentene tilbake til sine opprinnelige posisjoner;
image_filtered = np.fft.ifft2(dft_inverse): beregner den inverse Fourier-transformasjonen for å konvertere de filtrerte frekvensdataene tilbake til det romlige domenet;
image_filtered = np.abs(image_filtered): tar den absolutte verdien for å fjerne eventuelle gjenværende imaginære komponenter, noe som gir et reelt filtrert bilde.

Oppgave

Swipe to start coding

Du har fått et bilde av sauen i variabelen image og et bilde i frekvensdomenet i variabelen dft_shift:

Hent formen til image-matrisen og lagre den i variablene rows og cols;
Beregn sentrumspunktet og lagre i crow og ccol;
Definer low_mask som et array av nuller med form (rows, cols) og typen np.uint8;
Velg det 20x20 store sentrale området i low_mask og fyll det med 1.
Definer high_mask som et array av ettall med form (rows, cols) og typen np.uint8;
Velg det 20x20 store sentrale området i high_mask og fyll det med 0;
Bruk low_mask og high_mask på dft_shift og lagre de filtrerte frekvensene i henholdsvis lowpass_dft_filtered og highpass_dft_filtered;
Utfør invers transformasjon for lowpass_dft_filtered:
- Utfør invers forskyvning og lagre i lowpass_dft_inverse;
- Utfør invers transformasjon og lagre bildet i image_lowpass;
- Fjern negative verdier for image_lowpass.
Utfør invers transformasjon for highpass_dft_inverse:
- Utfør invers forskyvning og lagre i lowpass_dft_inverse;
- Utfør invers transformasjon og lagre bildet i image_highpass;
- Fjern negative verdier for image_highpass.

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 3

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor