输入一幅灰度图像，实现该图像的二维离散快速傅里叶变换，绘制原图像及其傅里叶频谱图（python语言）

### 实现灰度图像的二维离散快速傅里叶变换为了完成这一任务，可以利用 `numpy` 提供的 FFT 功能以及 `matplotlib` 进行绘图。以下是完整的代码实现： ```python import cv2 import numpy as np from matplotlib import pyplot as plt # 读取灰度图像 img = cv2.imread('my.jpg', 0) # 对图像执行二维离散傅里叶变换 f = np.fft.fft2(img) # 计算傅里叶变换[^2] fshift = np.fft.fftshift(f) # 中心化频谱[^3] # 获取幅度谱并对数缩放以增强对比度 magnitude_spectrum = 20 * np.log(np.abs(fshift) + 1) # 避免log(0)的情况[^3] # 绘制原图和频谱图 plt.figure(figsize=(10, 5)) plt.subplot(121), plt.imshow(img, cmap='gray') plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray') plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.show() ``` #### 解析 - **图像预处理**: 使用 OpenCV 的 `cv2.imread()` 方法加载灰度图像[^1]。 - **傅里叶变换**: 利用 `np.fft.fft2()` 完成二维离散傅里叶变换，并通过 `np.fft.fftshift()` 将零频率分量移动至频谱中心。 - **频谱计算**: 幅度谱由复数形式的傅里叶系数计算得出，需对其绝对值应用对数变换以便更好地观察细节[^2]。 - **可视化**: 使用 Matplotlib 展示原始图像及其对应的频谱图。此方法能够清晰呈现灰度图像的空间域特征与其对应频域特性之间的关系。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python实现倒谱求基因周期检测