傅里叶分析 - CFAImageFourier

应用场景

CFAImageFourier 类提供图像的傅里叶频谱分析工具，用于分析图像的频率成分和进行频域处理。主要应用场景包括：

调用示例

基础用法

import cv2 import numpy as np from FreeAeonFractal.FAImageFourier import CFAImageFourier

# 读取图像（支持灰度或RGB）

rgb_image = cv2.imread('./images/face.png')

# 创建傅里叶分析对象

fourier = CFAImageFourier(rgb_image)

# 获取原始频谱

raw_mag, raw_phase = fourier.get_raw_spectrum()

# 获取可视化频谱

raw_mag_disp, raw_phase_disp = fourier.get_display_spectrum(alpha=1.5)

# 重构图像

reconstructed = fourier.get_reconstruct()

# 显示结果

fourier.plot(raw_mag_disp, raw_phase_disp, [], [], reconstructed, np.array([]))

频域滤波示例

# 读取灰度图像 gray_image = cv2.cvtColor(rgb_image, cv2.COLOR_BGR2GRAY) fourier = CFAImageFourier(gray_image)

# 获取原始频谱

raw_mag, raw_phase = fourier.get_raw_spectrum()

# 创建频率掩码（保留奇数频率）

h, w = raw_mag[0].shape Y, X = np.ogrid[:h, :w] mask = ((X % 2 == 1) & (Y % 2 == 1)).astype(np.uint8)

# 应用掩码到频谱

masked_mag = raw_mag mask masked_phase = raw_phase mask

# 获取掩码后的可视化频谱

customized_mag_disp, customized_phase_disp = fourier.get_display_spectrum( alpha=1.5, magnitude=masked_mag, phase=masked_phase )

# 重构滤波后的图像

masked_reconstructed = fourier.extract_by_freq_mask(mask)

# 可视化对比

fourier.plot(raw_mag_disp, raw_phase_disp, customized_mag_disp, customized_phase_disp, reconstructed, masked_reconstructed)

低通滤波器

# 创建低通滤波器掩码（保留低频成分） h, w = raw_mag[0].shape center_y, center_x = h // 2, w // 2 radius = 30 # 截止半径

Y, X = np.ogrid[:h, :w]

distance = np.sqrt((X - center_x)2 + (Y - center_y)2) low_pass_mask = (distance <= radius).astype(np.uint8)

# 应用低通滤波

low_pass_result = fourier.extract_by_freq_mask(low_pass_mask)

高通滤波器

# 创建高通滤波器掩码（去除低频成分） high_pass_mask = (distance > radius).astype(np.uint8)

# 应用高通滤波

high_pass_result = fourier.extract_by_freq_mask(high_pass_mask)

安装

pip install FreeAeon-Fractal

类说明

CFAImageFourier

描述：提供图像傅里叶分析工具，支持灰度和RGB图像的频域分析和重构。

初始化参数

参数类型默认值说明

--------------------------
imagenumpy.ndarray必需输入图像（灰度或RGB）
注意：初始化时自动计算傅里叶变换，无需手动调用。

主要方法

##### 1. get_raw_spectrum()

描述：获取原始的幅度和相位频谱（用于重构）。 参数：无 返回值 (tuple):
(magnitude_list, phase_list)

对于灰度图像，列表长度为1；RGB图像长度为3。

##### 2. get_display_spectrum(alpha=1.0, beta=0, magnitude=np.array([]), phase=np.array([])) 描述：生成增强的可视化频谱图像。 参数： 返回值 (tuple):
(display_mag_list, display_phase_list)
返回归一化到0-255的8位图像列表，适合可视化。 增强说明：

##### 3. get_reconstruct(magnitude=np.array([]), phase=np.array([]))

描述：从频域重构空间域图像。 参数： 返回值：

##### 4. extract_by_freq_mask(mask_mag=np.array([]), mask_phase=np.array([]))

描述：使用二值掩码选择性保留频率成分，然后重构图像。 参数： 返回值：重构的滤波后图像 应用：

##### 5. plot(raw_magnitude_disp, raw_phase_disp, customized_magnitude_disp, customized_phase_disp, full_reconstructed, mask_reconstructed)

描述：可视化分析结果，显示最多7个子图。 参数： 子图布局： 1. 原始图像 2. 原始幅度谱 3. 原始相位谱 4. 自定义幅度谱 5. 自定义相位谱 6. 完整重构 7. 掩码重构

静态方法

get_image_components(image)

描述：计算单通道图像的幅度和相位。 参数： 返回值 (tuple):
(magnitude, phase)

normalize_and_enhance(array, alpha=1.0, beta=0)

描述：归一化数组到0-255并应用线性增强。 参数： 返回值：uint8数组

理论背景

2D傅里叶变换

对于图像 I(x, y)，其2D傅里叶变换为：

F(u, v) = ∫∫ I(x, y) exp[-j2π(ux + vy)] dx dy

离散形式：

F(u, v) = Σₓ Σᵧ I(x, y) exp[-j2π(ux/M + vy/N)]

频谱组成

幅度谱：
F(u, v) = √[R²(u, v) + I²(u, v)]
相位谱：
φ(u, v) = arctan[I(u, v) / R(u, v)]

频移

使用 np.fft.fftshift 将零频率分量移到中心，便于可视化。

逆变换

I(x, y) = ∫∫ F(u, v) exp[j2π(ux + vy)] du dv

应用案例

案例1：周期性噪声去除

# 读取带周期性噪声的图像 noisy_image = cv2.imread('noisy_image.png', cv2.IMREAD_GRAYSCALE) fourier = CFAImageFourier(noisy_image)

# 获取频谱

mag, phase = fourier.get_raw_spectrum()

# 可视化找到噪声峰值位置

mag_disp, _ = fourier.get_display_spectrum(alpha=2.0) # (手动识别噪声峰值的坐标)

# 创建带阻滤波器，去除特定频率

h, w = mag[0].shape mask = np.ones((h, w), dtype=np.uint8) # 假设噪声在 (y1, x1) 和 (y2, x2) mask[y1-5:y1+5, x1-5:x1+5] = 0 mask[y2-5:y2+5, x2-5:x2+5] = 0

# 重构去噪图像

denoised = fourier.extract_by_freq_mask(mask)

案例2：边缘检测（高通滤波）

# 高通滤波突出边缘 gray_image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE) fourier = CFAImageFourier(gray_image)

# 创建高通滤波器

h, w = gray_image.shape Y, X = np.meshgrid(np.arange(h), np.arange(w), indexing='ij') center = (h // 2, w // 2) dist = np.sqrt((Y - center[0])2 + (X - center[1])2)

# 保留高频（远离中心）

cutoff = 30 high_pass = (dist > cutoff).astype(np.uint8)

# 提取边缘

edges = fourier.extract_by_freq_mask(high_pass)

案例3：方向性滤波

# 提取特定方向的特征 gray_image = cv2.imread('image.png', cv2.IMREAD_GRAYSCALE) fourier = CFAImageFourier(gray_image)

h, w = gray_image.shape

Y, X = np.meshgrid(np.arange(h), np.arange(w), indexing='ij') center = (h // 2, w // 2)

# 计算角度

angle = np.arctan2(Y - center[0], X - center[1])

# 保留水平方向（0° 和 180°）

angle_deg = np.degrees(angle) horizontal_mask = ((np.abs(angle_deg) < 15) | (np.abs(angle_deg - 180) < 15)).astype(np.uint8)

# 提取水平纹理

horizontal_texture = fourier.extract_by_freq_mask(horizontal_mask)

重要提示

1. 输入图像：

- 支持灰度和RGB图像 - 自动进行傅里叶变换

2. 频谱可视化：

- 使用对数变换增强可视化效果 - alpha 参数控制对比度

3. 掩码设计：

- 掩码大小必须与频谱一致 - 二值掩码：1保留，0去除 - 对称掩码保持实值图像

4. RGB处理：

- 每个通道独立处理 - 最终合并重构

5. 性能考虑：

- FFT复杂度：O(N log N) - 大图像可能较慢 - 使用灰度图像可加速

常见问题

Q: 重构图像与原图不完全一致？

A: 浮点运算精度和归一化可能引入微小差异，但视觉上应一致。

Q: 相位重要吗？

A: 相位包含图像结构信息，通常比幅度更重要。仅改变幅度影响较小。

Q: 如何设计特定滤波器？

A: 了解频谱布局：中心=低频，边缘=高频；根据需求设计掩码形状。

Q: 为什么用频移？

A: 将低频移到中心便于可视化和设计滤波器。

参考文献