计算机视觉-图像的傅里叶变换

最详细的图像傅里叶变换 图像傅里叶变换的理解1. 傅里叶变换理论层面理解2. 常见频谱图3. 傅里叶变换在图像中的应用 1. 傅里叶变换理论层面理解 数学意义:傅里叶变换将一个任意的周期函数分解成为无穷个正弦函数的和的形式 物理效果:傅里叶变换实现了将信号从空间域到频率域的转换 信号分析: 一维傅里叶变换(将杂乱的信号由时域转化到频域中)一维傅里叶变化是将信号分解为正弦波的和的形式 时域 横轴是时间,纵轴是振幅 频域 横轴是频率,纵轴是振幅 对一个信号做时域到频域的变换,能够清除看到该信号主要由两个正弦波以及一些噪声混合,如下 阅读详情

💛💛💛本文摘要💛💛💛

🌟傅里叶基础

法国数学家吉恩·巴普提斯特·约瑟夫·傅里叶被世人铭记的最大的贡献是:他指出任何周期函数都可以表示为不同频率的正弦和/或余弦之和的形式,每个正弦项和/或余弦项乘以不同的系数(现在称该和为傅里叶级数)。无论函数多么复杂,只要它是周期的,并且满足某些适度的数学条件,都可以用这样的和来表示。即一个复杂的函数可以表示为简单的正弦和余弦之和。甚至非周期函数(单该曲线下的面积是有限的)也可以用正弦和/或许·余弦乘以加权函数的积分来表示。在这种情况下的公式就是傅里叶公式。

比如说我们以制作一个饮料的过程,使用时域的角度来看就是这样:
在这里插入图片描述
这里是什么意思呢,就是说一个饮料的制作需要在18点整放1个单位冰糖、3个单位红豆、2个单位的绿豆、4个单位的西红柿,还有1个单位的纯净水。然后再18:01分只需要假如一个单位的纯净水。后面也是一致。
而频域是怎么描述这件事的呢?
在这里插入图片描述
具体来说就是说他发现了一个规律,就是说这个制作过程,每分钟都要加入冰糖,每两分钟都要加入红豆,每三分钟都要加入一次绿豆…。
对于时域角度我们这样描述。
在这里插入图片描述
对于频域角度我们这样描述这件事,用直方图表示就是:
在这里插入图片描述
如果要考虑更精准的时间精度,我们就要引入相位这个概念。他是一个和时间差有关的一个表述。
在这里插入图片描述
这里我们说明一下就是时域和频域的表述是互逆的,对于时域我们是时间为横坐标,振幅为纵坐标。对于频域我们以频率为横坐标,振幅为纵坐标。但是可以看得出来频域的表述更加简单,但是比较抽象,不容易理解。
傅里叶说:任何连续周期信号,可以由一组适当的正弦曲线组合而成。
注意这里是一组而不是一个。比如对于这样的一个图像:
f(x)=3np.sin(0.8x)+7np.sin(1/3x)+2np.sin(0.2x)
在这里插入图片描述
看上去是毫无规律可言吧,但是它也可以由一组正弦函数组成。
在这里插入图片描述
在这里插入图片描述
他们是可逆的,想不到吧,乱七八糟的东西也有规律了。但是他们就是这样组合而成的吗?不可能吧,所以这里就是不是同时开始的一组余弦函数,在叠加时要体现开始的时间。也就说组合的函数他们的开始时间是不一样的。在这里分别对应0,2,3.看公式就看出来啦。
这里多说一嘴就是说傅里叶变换从时域角度来看,这个世界是动态的!从频域角度来看这个世界是静止的。
从数学角度来讲:傅里叶变换将一个任意的周期函数分解成为无穷个正弦函数的和的形式。
从物理角度来讲:傅里叶变换实现了将信号从空间域到频率域的转换。

🌟傅里叶基础numpy实现

python是可以实现傅里叶变换的,这里就要说到三剑客的numpy了。对应的函数是:numpy.fft.fft2返回一个复数数组(complex ndarray)。numpy.fft.fftshift这个函数时表示把将零频率分量移到频谱中心。
在这里插入图片描述
还要设置频谱的范围20*np.log(np.abs(fshift)),对于图像来说就是255了。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
result = 20*np.log(np.abs(fshift))
plt.subplot(121)
plt.imshow(img, cmap = 'gray')
plt.title('original')
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap = 'gray')
plt.title('result')
plt.axis('off')
plt.show()

结果是:
在这里插入图片描述
原图和频谱图像。

  • 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的 目的。
  • 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能 够恢复到原始图像
  • 在频域对图像进行处理,在频域的处理会反映在逆变换图像上

🌟逆傅里叶numpy实现

对于傅里叶的逆操作这里没有什么可说的,就是把频域图像转回原图像。
在这里插入图片描述
函数是:numpy.fft.ifft2,那么还有一个操作就是把中间移动回去对啊。numpy.fft.ifftshift。iimg = np.abs(逆傅里叶变换结果)而第二个图就表示低频部分,边缘就表示为高频部分。

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\boat.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('iimg'),plt.axis('off')
plt.show()

首先我们要进行傅里叶变换吧,才可以进行逆操作。结果是:
在这里插入图片描述
完全一致!!!

🌟频域的高通滤波

首先我们来看看到底什么是高频,什么是低频在图像中如何理解。
低频对应图像内变化缓慢的灰度分量。例如,在一幅大草原的图像中,低频对应着广袤的颜色趋于一致的草原。
高频对应图像内变化越来越快的灰度分量,是由灰度的尖锐过渡造成的。例如,在一幅大草原的图像中,其中狮子的边缘等信息。
对于滤波我们之前也了解过了,就是说过滤掉不需要的部分呗。
通过低频的滤波器称为低通滤波器。
通过高频的滤波器称为高通滤波器

修改傅里叶变换以达到特殊目的,然后计算IDFT返回到图像域。比如我们可以利用傅里叶变换进行,图像增强、图像去噪、边缘检测、特征提取、图像压缩、图像加密等。
衰减高频而通过低频,低通滤波器,将模糊一幅图像。
衰减低频而通过高频,高通滤波器,将增强尖锐的细节,但是会导致图像
的对比度降低

那么我们只需要再滤波中来一个掩膜操作,具体看下面:
在这里插入图片描述
对于这个掩膜我们这样做:

rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)

具体代码是:

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('image\\boat.bmp',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(iimg, cmap = 'gray')
plt.title('iimg'),plt.axis('off')
plt.show()

得到后的图象是这样的:
在这里插入图片描述
可以出来把边缘描绘的非常完整,但是图像的对比度降低了。

🌟傅里叶OpenCV实现

对于OpenCV中的傅里叶变换函数是:返回结果=cv2.dft(原始图像,转换标识)
返回结果是双通道的,第一个是实数部分,第二个通道是虚数部分。
输入图像要首先转换成np.float32 格式, np.float32(img)
flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列
移动频谱部分和numpy一致,是这样的,numpy.fft.fftshift,然后进行返回值=cv2.magnitude(参数1,参数2)这里参数1就是实数部分,参数2就是虚数部分,并且进行𝑑𝑠𝑡 𝐼 = 根号𝑥(𝐼)2 + 𝑦(𝐼)2操作。

import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1]))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('original'),plt.axis('off')
plt.subplot(122),plt.imshow(result, cmap = 'gray')
plt.title('result'), plt.axis('off')
plt.show()

在这里插入图片描述
得到的图像和numpy一致。

🌟傅里叶OpenCV逆变换实现

对于傅里叶变换的逆操作,使用OpenCV的函数就是返回结果=cv2.idft(原始数据),然后计算幅度函数仍然是返回值=cv2.magnitude(参数1,参数2),numpy.fft.ifftshift

import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
ishift = np.fft.ifftshift(dftShift)
iImg = cv2.idft(ishift)
iImg= cv2.magnitude(iImg[:,:,0],iImg[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('original'), plt.axis('off')
plt.subplot(122),plt.imshow(iImg, cmap = 'gray')
plt.title('inverse'), plt.axis('off')
plt.show()

在这里插入图片描述

🌟频域的低通滤波

我们这里的想法就是:
在这里插入图片描述
自己构建一个低通滤波器,把中间位置设置成255,其余部分为0.那么我们做一个与操作,就可以把高频过滤了。

rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

低通滤波器构建代码。
然后我们完整代码就是:

import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('image\\lena.bmp',0)
dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
fShift = dftShift*mask
ishift = np.fft.ifftshift(fShift)
iImg = cv2.idft(ishift)
iImg= cv2.magnitude(iImg[:,:,0],iImg[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('original'), plt.axis('off')
plt.subplot(122),plt.imshow(iImg, cmap = 'gray')
plt.title('inverse'), plt.axis('off')
plt.show()

结果是:
在这里插入图片描述
在这里插入图片描述

🌟傅里叶变换有什么应用场景

傅里叶变换可以将一个时域信号转换成在不同频率下对应的振幅及相位,其频谱就是时域信号在频域下的表现,而反傅里叶变换可以将频谱再转换回时域的信号。最简单最直接的应用就是时频域转换,比如在移动通信的LTE系统中,要把接收的信号从时域变成频域,就需要使用FFT(快速傅里叶变换)。又例如对一个采集到的声音做傅立叶变化就能分出好几个频率的信号。比如南非世界杯时,南非人吹的呜呜主拉的声音太吵了,那么对现场的音频做傅立叶变化(当然是对声音的数据做),会得到一个展开式,然后找出呜呜主拉的特征频率,去掉展开式中的那个频率的sin函数,再还原数据,就得到了没有呜呜主拉的嗡嗡声的现场声音。而对图片的数据做傅立叶,然后增大高频信号的系数就可以提高图像的对比度。同样,相机自动对焦就是通过找图像的高频分量最大的时候,就是对好了。

🌟傅里叶变换matlab实现

[i,lcmp]=imread('F:/123.jpg');%=======读取图像 显示图像
subplot(2,2,1),imshow(i,lcmp);
title('original');
ii=im2double(i); %=====将图像矩阵类型转换为double(图像计算很多是不能用整型的),没有这个会报错!! ,如果不用这个就必须转化为灰度图!
i1 = fft2(ii); %======傅里叶变换
i2 =fftshift(i1); %======将变换的频率图像四角移动到中心(原来良的部分在四角 现在移动中心,便于后面的处理)
i3=log(abs(i2)); %=====显示中心低频部分,加对数是为了更好的显示
subplot(2,2,2),imshow(i3,[]);
title('Fourier');
map=colormap(lcmp); %===取色谱
imwrite(i3,map,'f:/ffttank.bmp'); %===将上面i3输入到ffttank文件中
i5 = real(ifft2(ifftshift(i2))); %===频域的图反变换到空域 并取实部
i6 = im2uint8(mat2gray(i5)); %===取其灰度图
imwrite(i6,map,'f:/tank2.bmp','bmp'); %===利用灰度图和原来取得颜色模板 还原图像
subplot(2,2,3),imshow(i6);
title('anti-Fourier');
i7=rgb2gray(i);
i8=fft2(i7);%===对灰色图才能归一化。因为那是2维矩阵,彩色图是3维矩阵,需要转化为2维灰图
m=fftshift(i8); %直流分量移到频谱中心
%RR=real(m); %取傅立叶变换的实部
%II=imag(m); %取傅立叶变换的虚部
A=abs(m);%计算频谱幅值
%A=sqrt(RR.^2+II.^2);
A=(A-min(min(A)))/(max(max(A))-min(min(A)))*225; %归一化
subplot(2,2,4),imshow(A); %显示原图像
colorbar; %显示图像的颜色条
title('FFT spectrum'); %图像命名

结果是:
在这里插入图片描述

————————————————
版权声明:本文为CSDN博主「吃猫的鱼python」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/m0_37623374/article/details/125399889

图像傅里叶变换--OpenCV 傅里叶变换 傅里叶变换主要是将时间域上的信号转变为频率域上的信号,用来进行图像降噪,图像增强等处理。 对于数字图像这种离散的信号,频率大小表示信号变换的剧烈程度或者说信号变化的快慢。频率越大,变换越剧烈,频率越小,信号越平缓,对应到的图像中,高频信号往往是图像中的边缘信号和噪声信号,而低频信号包含图像变化频繁的图像轮廓及背景灯信号。 故傅里叶变换的结果图像中,中心的图像表示低频信号,边缘的图像代表高频图像,需要注意的是,原图像和傅里叶变换结果的图像不是一一对应的。 dft ... 阅读详情

相关推荐

【计算机视觉】超简单!傅里叶变换的经典案例

Hey小伙伴们!今天来给大家分享一个 **计算机视觉** 中非常经典且重要的技术——**傅里叶变换(Fourier Transform, FT)**。傅里叶变换在图像处理、信号分析等领域有着广泛的应用,它可以帮助我们从频域的角度理解图像的特性,进行滤波、去噪、边缘检测等操作。 如果你对计算机视觉感兴趣,或者想学习如何用 Python 实现傅里叶变换,那这篇笔记一定要收藏哦!

Jacklx888的博客 2717

计算机视觉深度学习实战三:频域分析及其变换

频域分析及变换 更多精彩内容请关注微信公众号:听潮庭。 如何让卷积更快:空域卷积=频域卷积 高斯金字塔 图像金字塔化:先进行图像平滑,再进行降采样, 根据降采样率,得到一系列尺寸逐渐减小的图像。 操作:n次(高斯卷积->2倍降采样)->n层金字塔 目的:捕捉不同尺寸的物体 高斯滤波的必要性:直接降采样损失信息 高斯金字塔本质上为信号的多尺度表示法 ...

u013699471的博客 3302

计算机视觉及OpenCV入门简介

计算机视觉及OpenCV入门简介 这是一篇实验室培训过后写的感悟,附带授课大佬及实验室GitHub地址: 大佬:https://github.com/shentibeitaokongle 实验室:https://github.com/android-nuc 计算机视觉 什么是计算机视觉? 计算机视觉是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成...

daAzai的博客 4904

【计算机视觉】图像分割与特征提取——频域增强(低通滤波&高通滤波)

主要介绍图像频域的概念以及低通滤波以及高通滤波的相关概念

赵四司机的博客 1万+

图像处理之图像傅里叶变换

傅里叶变换是在以时间为自变量的“信号”与频率为自变量的“频谱”函数之间的某域研究中较复杂的问题在频域中变得简单起来,从而简化其分析过程;当自变量“时间”或“频率”为连续形式和离散形式的不同组合时,就可以形成各种不同的傅里叶变换对,即“信号”与“频谱”的对应关系。即傅里叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数,傅里叶逆变换是将图像的频率分布函数变换为灰度分布函数。函数fft()和fft2()的关系为fft2(X)=fft(fft(X).‘).’。,坐标原点是低频,向外是高频。

qq_44111805的博客 4万+

CV:计算机视觉技术之图像基础知识(一)—以python的cv2库来了解计算机视觉图像基础(傅里叶变换-频域-时域/各种滤波器-线性-非线性-均值-中值-高斯-双边)

CV:计算机视觉技术之图像基础知识(一)—以python的cv2库来了解计算机视觉图像基础(傅里叶变换-频域-时域/各种滤波器-线性-非线性-均值-中值-高斯-双边) 目录 一、图像中的傅里叶变换 1、时域和频域 2、傅里叶变换 3、图像中的傅里叶变换 1、频域变换 2、时域变换—HPF和LPF 二、图像去噪经典算法—各种滤波器 0、线性滤波器和非线性滤波器 高斯噪声和椒盐噪声区别 1、均值滤波—像素值取平均值 2、中值滤波—像素值递增排序取中间:常用来去椒盐噪声、斑点噪

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1万+

【计算机视觉】初识基础:傅里叶变换、图像滤波、卷积及高斯模糊等

什么是计算机视觉 计算机视觉是一门研究如何使机器“看”的科学,指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等计算机视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给一起检测的图像。 一些需要了解的概念 ·图像 图像深度:存储每个像素的位数(bits) 像素占用的位数越多,表现的颜色越多 图片格式与压缩:常见的图片格式JPEG,PNG,BMP等本质上都是图片的一种压缩编码方式 ·视...

weixin_44288688的博客 2721

傅里叶变换在计算机视觉中的应用

最后,我们将滤波后的频谱进行逆移位和逆傅里叶变换,以恢复滤波后的图像。傅里叶变换在计算机视觉中扮演着重要的角色,它为图像和视频数据的频域分析和处理提供了有力的工具。在计算机视觉中,我们通常使用离散傅里叶变换(Discrete Fourier Transform,DFT)来处理离散的图像和视频数据。在以上代码中,我们创建了一个高通滤波器掩膜,将中心区域置为零,而将其他区域保留。最后,我们将滤波后的频谱进行逆移位和逆傅里叶变换,以恢复增强后的图像。在以上代码中,我们首先计算了图像的二维离散傅里叶变换,并使用。

YjmnDatabase的博客 417

傅里叶变换:从空域到频域的图像分析【计算机视觉】

空域是「日常操作」:用小卷积核直接处理像素,直观、高效,覆盖90%的日常图像预处理需求(如均值/高斯/中值等五大滤波);频域是「特殊工具」:用傅里叶变换拆解频率,精准解决空域搞不定的问题(如周期性噪声),是空域的补充而非替代;数学等价但实现独立:空域卷积 ≈ 频域相乘(卷积定理),但两者无前置依赖,可独立学习、独立使用。本次实践完整覆盖一维/二维傅里叶变换与频域滤波傅里叶变换(一维/二维)维度适用场景核心操作核心价值一维傅里叶变换一维信号(如波形、序列)

Sagittarius_A*的博客 997

图像处理中的傅里叶变换及其应用

图像的傅里叶变换可以将图像从空域转换到频域,通过分析图像在不同频率上的成分,可以揭示图像的一些特征和结构。在频域中,图像可以表示为一系列的频谱分量,其中每个分量对应一个特定的频率和幅度。通过傅里叶变换,我们可以将图像从空域转换到频域,分析图像的频域特征,实现图像的滤波和增强等处理。频谱图中的亮度表示对应频率的幅度大小,通过分析频谱图,我们可以获取图像的频域特征信息。除了频域分析,傅里叶变换还可以用于图像的滤波。通过在频域上操作图像的频谱,可以实现不同类型的滤波效果,如低通滤波器、高通滤波器和带通滤波器等。

IpyVariable的博客 242

别再踩坑了!QT5.15.2配置Android开发环境保姆级避坑指南(含Java8、SDK Tools版本选择)

本文提供QT5.15.2配置Android开发环境的详细避坑指南,重点解决版本锁定、SDK工具选择和QtCreator配置等常见问题。通过实测推荐的Java8、Android SDK Tools版本及NDK配置,帮助开发者高效完成环境搭建,避免隐性冲突和配置失败。

weixin_42537919的博客 242

Python 计算机视觉(十三)—— 图像的傅里叶变换

主要介绍了傅里叶变换以及傅里叶逆变换,并在此基础上进行代码实现。

qq_52309640的博客 1万+

Linux初级介绍之番外篇:Linux挂载windows中的共享目录

挂载windows共享目录Windows端共享权限设定解禁Guest设置共享目录权限Linux挂载端扫描共享目录挂载共享目录遇到错误的解决方案 Windows端共享权限设定 解禁Guest 右击我的电脑选择管理–>本地用户和组–>在用户项中双击Guest用户–>取消账号已禁用选项 设置共享目录权限 右击共享目录点属性–>在共享页面中点击共享选项–>下拉选择共享对象为Everyone–>点击共享按钮 3.设置本地策略 打开命令框–>输入secpol.msc–&gt

m0_53497201的博客 232

傅里叶变换:计算机视觉中的图像频域分析实战指南

傅里叶变换是理解图像本质的核心工具,它将空间域的像素分布转化为频率域的能量谱,揭示图像的边缘、纹理、噪声等底层结构特征。其原理基于信号可分解为不同频率正弦波叠加,而图像的空间变化率直接对应频域中的能量分布位置与强度。该技术具备显著工程价值:支撑OpenCV、PyTorch等库中高斯模糊、Sobel/Canny边缘检测等操作的频域加速与设计逻辑,并广泛应用于工业缺陷识别、医学影像增强、遥感图像去噪等场景。本文聚焦实操链路——从RGB转灰度、浮点归一化、fftshift零频居中,到20*log10频谱可视化,系

weixin_30882895的博客 589

告别Docker Desktop!Colima在Mac上的5分钟极速安装与配置指南(M1芯片实测)

本文详细介绍了如何在Mac(尤其是M1芯片)上快速安装和配置Colima,作为Docker Desktop的免费替代品。通过优化配置和实战指南,帮助开发者提升容器运行效率,减少资源占用,实现丝滑的开发体验。

weixin_28839601的博客 448

芒果YOLO11改进81:主干Backbone篇之DCNv3结构:即插即用|使用pytorch代码实现,并针对YOLO11专门优化模块

芒果YOLO11改进81:主干Backbone篇之DCNv3结构:即插即用|使用pytorch代码实现,并针对YOLO11专门优化模块

包括YOLOv5、YOLOv7、YOLOv8等模型改进 747

opencv学 之图像傅里叶变换dft

一、前言 接触了图像的傅里叶变换,数学原理依旧不是很懂,因此不敢在这里妄言。下午用Opencv代码实现了这一变换,有一些经验心得 二、关键函数解析 2.1copyMakeBorder() 扩展图片尺寸 傅里叶变换的计算对图像的尺寸有一定要求,尺寸不满足要求的,可用copyMakeBorder() 函数进行扩展。函数定义如下: void copyMakeBorder(InputArray...

u011555996的博客 2642

YOLO项目从零开始:超详细运行教程(图文保姆级教学)

至此,我们已经完整跑通了YOLO项目的安装与启动流程,无论你是零基础小白还是刚入门的AI新兵,只要按部就班操作,也能轻松实现目标检测项目的落地。

一键难忘的博客 4809

计算机视觉 : 图像形态学处理方法,包括图像的直方图均衡化和傅里叶变换,以及图像梯度与边缘检测

全文预览熟悉一些图像形态学处理方法图像的直方图与均衡化操作傅里叶变换图像梯度与边缘检测练习代码(全)imgPreprocessing4.pyimgPreprocessing5.py哔哔赖赖 熟悉一些图像形态学处理方法 使用软件:pycharm,主要涉及到的操作包括开运算、闭运算、梯度运算、礼帽与黑帽运算等操作。 具体运行结果截图如下。 猫猫探头! 小狗饼干->饼干变质orz 图像的直方图与均衡化操作 练习涉及到的方法主要是calcHist(images.channels,mask,histSize

陈杉菜 2040

Unity技术开发干货 - 总目录

总目录 欢迎大家来到 passion 的《Unity技术开发干货》开始前博主先列出学习的大纲,同时也供大家学习参考,如果有什么问题,欢迎留言。 一.Unity基础: Unity基础-脚本生命周期 Unity基础-向量 Unity基础-寻路系统 Unity基础-物理系统 Unity基础-Mecanim动画系统 Unity基础-UGUI Unity基础-灯光 Unity-UGUI之Event System Unity-2018-粒子系统 Unity-协程入门 Unity-2D物理引擎、铰链、效应器 Unity-

TxNet 4272

地统计插值学习心得(一)

(创建地统计图层工具用于根据现有的地统计图层或者地统计模型来创建包含新要素数据集的地统计图层,也就是使用构建好的地统计模型用到新的数据集中)这表明,远离极值的区域预测不受极值的影响,并且还表明,包括极值会导致钼元素浓度高的区域周围的预测明显变高。通常,我们使用同一个数据集进行建模和预测,但是在实际插值过程中,这两步的数据可以是不同的,这就是处理极值的诀窍。如果你的数据集有无法忽略的极值时(比如这些钼元素浓度),一种常见的方法是首先显式移除极值进行建模,然后在预测中使用整个数据集(包括极值)。

JData_Engineer的博客 287

图像傅里叶变换【CV】【傅里叶变换】

必须注意的是,傅里叶变换一般涉及到复数,也就是说一个实数被变换为一个具有实部和虚部的复数。如果我们对图像执行傅里叶变换,并且乘以一个圆形(背景填充黑色,也就是0),我们可以过滤掉所有的高频值(它们会成为0,因为填充是0)。注意过滤后的图像依然有条纹模式,但图像质量下降了很多——这就是jpeg压缩算法的工作原理(虽然有些不同但用了类似的变换),我们变换图形,然后只保留部分频率,最后将其逆变换为二维图片;这是个很重要的启发,基于傅里叶定理,我们知道卷积神经网络在频域上检测图像并且捕捉到了物体的方向信息。

qq_51677409的博客 560

YOLOv13添加WDBB模块,map提升5.34!!,召回率提升6.55,准确率提升3.23

本文提出了一种基于YOLOv13改进的目标检测模型,通过引入WDBB模块显著提升了检测性能。实验结果表明,添加WDBB模块后,mAP提升11.34,召回率提升14.55,准确率提升3.23。文章详细介绍了模型移植方法,包括创建新的yaml配置文件、修改tasks.py和__init__.py文件,以及实现rep_block.py中的核心转换函数。改进后的模型通过深度卷积、通道注意力等模块优化了特征提取能力,同时保持了轻量化的特点。该工作为YOLO系列模型的性能提升提供了新的思路和技术实现。

FJN110的博客 2627

频域分析:利用傅里叶变换(Fourier Transform)对图像进行深度解析

傅里叶变换是一种数学变换,它将信号从时域(或空间域)转换到频域。在频域中,信号的每一个成分对应于不同频率的正弦波。傅里叶变换的基本思想是:任何复杂的信号都可以通过不同频率的正弦波叠加得到。对于图像而言,傅里叶变换将图像从空间域(像素值)转换到频域(频率成分)。频域中的每个点表示图像在特定频率下的振幅和相位信息。高频成分通常对应图像的细节和边缘,而低频成分则代表图像的整体结构和背景。

weixin_43607107的博客 6578

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【图像去雾】基于高斯滤波结合傅里叶变换实现图像去雾附Matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。????个人主页:Matlab科研工作室????个人信条:格物致知。更多Matlab完整代码及仿真定制内容点击????智能优化算法 神经网络预测 雷达通信 无线传感器 电力系统信号处理...

m0_57702748的博客 1152

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

下一篇: Hadoop生态之Mapreduce
小滴杂货铺
博客等级 码龄4年 2粉丝 0原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址