### Python 实现理想低通滤波器图像处理 为了实现并显示图像经过理想低通滤波器处理前后的对比效果，可以按照如下方式编写代码： #### 导入必要的库 ```python import numpy as np import cv2 from matplotlib import pyplot as plt ``` #### 定义理想低通滤波器函数 创建一个理想的低通滤波器掩模，该掩模将在频域中应用到输入图像上。 ```python def ideal_low_pass_filter(image, cutoff_frequency): rows, cols = image.shape[:2] crow, ccol = int(rows / 2), int(cols / 2) mask = np.zeros((rows, cols, 2), np.float32) for i in range(rows): for j in range(cols): distance = ((i - crow)**2 + (j - ccol)**2)**0.5 if distance <= cutoff_frequency: mask[i, j] = 1 return mask ``` #### 应用理想低通滤波器 此部分负责读取原始图片、转换至频率域、乘以LPF掩码再逆变换回空间域完成过滤操作。 ```python image = cv2.imread('path_to_image', 0) # 加载灰度模式下的测试图片 dft = cv2.dft(np.float32(image), flags=cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) cutoff_frequency = 30 # 设置截止频率参数 mask = ideal_low_pass_filter(image, cutoff_frequency) fshift = dft_shift * mask f_ishift = np.fft.ifftshift(fshift) img_back = cv2.idft(f_ishift) img_back = cv2.magnitude(img_back[:, :, 0], img_back[:, :, 1]) ``` #### 展示原图与滤波后对比 最后一步是利用`matplotlib`来展示两张图片以便比较。 ```python plt.figure(figsize=(8, 4)) plt.subplot(1, 2, 1), plt.imshow(image, cmap='gray') plt.title('Original Image'), plt.axis('off') plt.subplot(1, 2, 2), plt.imshow(img_back, cmap='gray') plt.title('Filtered Image with Ideal LPF'), plt.axis('off') plt.tight_layout() plt.show() ``` 上述过程实现了理想低通滤波器的应用，并展示了如何将结果可视化[^1][^2].