数字图像处理学习笔记（十二）——频率域滤波

在OpenCV 中，通过函数cv2.idft()实现傅里叶逆变换
和用Numpy输出的结果一样，但与Numpy实现不同的是，OpenCV输出结果是双通道的
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，并且输入图像要首先转换成 np.float32 格式
实现傅里叶变换函数原型：dst = cv2.dft(src, dst=None, flags=None, nonzeroRows=None)
注：src表示输入图像，需要通过np.float32转换格式
       dst表示输出图像，包括输出大小和尺寸
       flags表示转换标记
由于输出的频谱结果是一个复数，需要调用cv2.magnitude()函数将傅里叶变换的双通道结果转换为0到255的范围。
将傅里叶变换双通道转换2到255函数原型：cv2.magnitude(x, y)
注：x表示浮点型X坐标值，即实部
       y表示浮点型Y坐标值，即虚部
最终输出结果为幅值，即：
傅里叶变换的目的并不是为了观察图像的频率分布，更多情况下是为了对频率进行过滤，通过修改频率以达到图像增强、图像去噪、边缘检测、特征提取、压缩加密等目的。
过滤的方法一般有三种：低通（Low-pass）、高通（High-pass）、带通（Band-pass）。
低通就是保留图像中的低频成分，过滤高频成分
高通就是保留图像中的高频成分，过滤低频成分

高通滤波器是指通过高频的滤波器，衰减低频而通过高频
常用于增强尖锐的细节（提取边缘轮廓），但会导致图像的对比度会降低。

低通滤波器是指通过低频的滤波器，衰减高频而通过低频
常用于模糊图像或对图像去噪（因为噪声是高频的）

图中第14行代码数值越小模糊程度越大，是因为数值越小保留区域越小，所以数值越小越模糊。

上述实验用到的频谱图像中心区域为低频部分，其余地方为高频部分

它是用图像邻域内随机一个像素点的颜色来替代当前像素点颜色的过程，从而为图像增加一个毛玻璃模糊的特效。

Python绘制浮雕图像是通过勾画图像的轮廓，并降低周围的像素值，从而产生一张具有立体感的浮雕效果图

图像油漆特效主要采用自定义卷积核和cv2.filter2D()函数实现，Python实现代码主要通过Numpy定义卷积核，再进行特效处理