### 使用 Python 对图像进行傅里叶变换 在 Python 中，可以使用 NumPy 和 OpenCV 庉库来实现图像的傅里叶变换。以下是对这一过程的详细介绍以及代码示例。 #### 利用 NumPy 实现图像的傅里叶变换 NumPy 提供了一个名为 `fft` 的模块，其中包含了用于执行快速傅里叶变换（FFT）的功能。对于二维图像数据，可以直接使用 `numpy.fft.fft2()` 方法来进行傅里叶变换。为了更好地观察结果，通常会对频谱图取对数以便增强对比度[^2]。 ```python import numpy as np import cv2 from matplotlib import pyplot as plt # 加载灰度图像 image = cv2.imread('example.jpg', 0) # 执行傅里叶变换 f_transform = np.fft.fft2(image) f_shift = np.fft.fftshift(f_transform) # 将零频率分量移到中心 # 获取幅度谱并应用对数变换以提高可视性 magnitude_spectrum = 20 * np.log(np.abs(f_shift)) plt.figure(figsize=(12, 6)) plt.subplot(121), plt.imshow(image, cmap='gray') plt.title('Original Image'), plt.axis('off') plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray') plt.title('Magnitude Spectrum'), plt.axis('off') plt.show() ``` 以上代码加载了一张灰度图像，并对其进行了傅里叶变换，最后展示了原始图像与其对应的频域表示形式。 #### 利用 OpenCV 实现图像的傅里叶变换 OpenCV 同样支持图像的傅里叶变换操作，它提供了更高效的 dft() 函数。该函数允许指定输出类型为复数并通过优化算法加速计算过程[^3]。 ```python import cv2 import numpy as np from matplotlib import pyplot as plt # 读入图像作为灰度模式 img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE) dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) # 计算幅度谱 magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) fig, ax = plt.subplots(1, 2, figsize=(15, 8)) ax[0].imshow(img, cmap='gray') ax[0].set_title('Input Image') ax[0].axis('off') ax[1].imshow(magnitude_spectrum, cmap='gray') ax[1].set_title('Magnitude Spectrum') ax[1].axis('off') plt.show() ``` 在这段代码中，我们首先通过 OpenCV 的 dft 函数完成了图像向频域空间转换的任务，接着同样采用了对数尺度调整后的幅度谱呈现方式。 --- ### 总结 无论是基于 NumPy 或者 OpenCV 都能有效地完成图像上的傅里叶变换工作流。选择哪种方法取决于个人偏好或者项目特定需求。值得注意的是，在处理实际问题之前可能还需要考虑一些预处理步骤比如填充边界等措施使得最终效果更加理想化。