*一个简单的傅里叶变换
>>> import numpy as np>>> import matplotlib.pyplot as plt>>> x=np.linspace(0,2*np.pi,50)>>> xarray([ 0. , 0.12822827, 0.25645654, 0.38468481, 0.51291309, 0.64114136, 0.76936963, 0.8975979 , 1.02582617, 1.15405444, 1.28228272, 1.41051099, 1.53873926, 1.66696753, 1.7951958 , 1.92342407, 2.05165235, 2.17988062, 2.30810889, 2.43633716, 2.56456543, 2.6927937 , 2.82102197, 2.94925025, 3.07747852, 3.20570679, 3.33393506, 3.46216333, 3.5903916 , 3.71861988, 3.84684815, 3.97507642, 4.10330469, 4.23153296, 4.35976123, 4.48798951, 4.61621778, 4.74444605, 4.87267432, 5.00090259, 5.12913086, 5.25735913, 5.38558741, 5.51381568, 5.64204395, 5.77027222, 5.89850049, 6.02672876, 6.15495704, 6.28318531])>>> wave=np.cos(x)>>> transformed=np.fft.fft(wave) #傅里叶变换>>> plt.plot(transformed) #绘制变换后的信号Warning (from warnings module): File "D:\Program Files\Python\lib\site-packages\numpy\core\numeric.py", line 531 return array(a, dtype, copy=False, order=order)ComplexWarning: Casting complex values to real discards the imaginary part[<matplotlib.lines.Line2D object at 0x000000000622FA20>]>>> plt.show()
傅里叶变换使用np.fft中的fft函数,可以将余弦值作傅里叶变换。
不知道为什么按董老师的代码,绘制变换后的信号时会有这样的报错,不过最后的图像可以正常显示。
*傅里叶反变换
>>> plt.plot(np.fft.ifft(transformed)) #反变换[<matplotlib.lines.Line2D object at 0x00000000074F0630>]>>> plt.show()
变换后的点用np.fft中的ifft就可以反变换回去,得到它的余弦的图像。
*移频(针对作好傅里叶变换的数据)
>>> shifted=np.fft.fftshift(transformed) #移频>>> plt.plot(shifted)[<matplotlib.lines.Line2D object at 0x00000000078AF7B8>]>>> plt.show()
使用np.fft中的ffshift可以对信号进行移频操作,还有iffshift可以将移频后的信号还原成之前的。
*对移频后的信号进行傅里叶反变换
>>> plt.plot(np.fft.ifft(shifted))[<matplotlib.lines.Line2D object at 0x0000000007918DD8>]>>> plt.show()
*二维傅里叶变换
>>> import numpy as np>>> import matplotlib.pyplot as plt>>> x=np.random.rand(10,10) #二维随机信号>>> wave=np.cos(x)>>> plt.plot(wave)>>> plt.show()
>>> transformed=np.fft.fft2(wave)>>> plt.plot(transformed)>>> plt.show()
二维傅里叶变换使用的函数是np.fft里的fft2()函数。
>>> plt.plot(np.fft.ifft2(transformed)) #二维反变换>>> plt.show()
同样地二维反变换也使用ifft2()函数。
*滤出图像中的低频信号
首先先安装python3下的PIL包,用pip安装pillow模块就可以了。但在这之前可能需要对pip更新。
import numpy as npfrom PIL import Imagefrom numpy.fft import fft,ifftdef filterImage(srcImage): #打开图像文件并获取数据 srcIm=Image.open(srcImage) srcArray=np.fromstring(srcIm.tobytes(),dtype=np.int8) #傅里叶变换并滤除低频信号 result=fft(srcArray) result=np.where(np.absolute(result)<9e4,0,result) #傅里叶反变换,保留实部 result=ifft(result) result=np.int8(np.real(result)) #转换为图像 im=Image.frombytes(srcIm.mode,srcIm.size,result) im.show()filterImage('test.jpg')
首先,通过自定义的函数filterImage传入这个图片的名称字符串,然后传给了Image类的open()函数,打开这样一个图片,然后得到的Image对象传给了srcIm。
然后这个Image对象srcIm调用自己的成员函数tobytes()转换成了一个字节串,然后将这个图像转换成的字节串数据通过numpy的fromstring转换成一个一维数组,传给srcArray。
然后对这个一维数组通过fft()函数进行一维傅里叶变换,变换的结果给result,它仍然是一个数组,并且其中的数都是复数(关于这一点可以自己输出看一看)。
紧接着用前面学习过的numpy的where函数(见分段函数那节),对于这个数组result中模(numpy的absolute函数)小于9e4的部分变成0,对result作更新,这也就是滤除了低频信号。
然后就要对这个result进行一维傅里叶反变换,然后通过numpy的real()函数对数组进行函数操作,只保留复数的实部。并且转换成int8字节码,这样也就可以作为一个图像的字节串数据来看待了。
最后用Image类的frombytes函数将这个变换好的字节串数据,转换成与原来的图像(也就是Image对象srcIm)相同模式(mode),相同大小(size)的图像对象,再用show()函数显示即可,最后的结果如下。
联系客服