### C++ OpenCV 获取并显示图像的频谱 在计算机视觉领域，傅里叶变换是一种常用的工具，用于分析信号或图像中的频率成分。通过傅里叶变换可以将空间域上的图像转换到频域上，从而观察其频谱特性。 以下是实现这一功能的具体方法： #### 使用 `cv::dft` 进行离散傅里叶变换 OpenCV 提供了函数 `cv::dft` 来执行离散傅里叶变换 (DFT)，该函数能够处理二维数组数据。为了计算和可视化图像的频谱图，需遵循以下逻辑流程[^1]： 1. **读取输入图像** 需要加载一幅灰度图像作为输入源。彩色图像应先转化为单通道灰度形式以便简化操作。 2. **扩展图像尺寸至最优大小** 对于提高 DFT 的效率而言，通常会调整原始图片的高度与宽度成为最接近的 2^n 型数值组合（即所谓的快速傅立叶变换优化）。这一步可以通过填充零来完成。 3. **构建复数矩阵** 创建一个双通道浮点型 Mat 类对象表示复数平面；第一个通道存储实部而第二个则保存虚部部分的数据结构。 4. **应用离散傅里叶变换** 调用 dft 函数对上述准备好的复数矩阵实施正向 FFT 处理得到结果集。 5. **重新排列象限顺序** 将低频分量移动到中心位置使得最终呈现更加直观易懂的效果展示出来。 6. **计算幅度谱** 计算每个像素点对应的模长平方根值形成新的单一强度分布映射表征原图特征属性。 7. **归一化处理后的频谱图** 应用 normalize 方法把所得范围压缩固定区间之内适配显示器需求最后渲染成可见图形界面输出给用户观看学习研究之用途[^2]. 下面是完整的代码示例: ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // Load an image as grayscale. cv::Mat img = cv::imread("input_image.jpg", cv::IMREAD_GRAYSCALE); if(img.empty()) { std::cout << "Image not found!" << std::endl; return -1;} int m = cv::getOptimalDFTSize( img.rows ); int n = cv::getOptimalDFTSize( img.cols ); // Pad the image with zeros to optimal size and convert it into floating point format. cv::copyMakeBorder(img, img, 0, m - img.rows, 0, n - img.cols, cv::BORDER_CONSTANT, cv::Scalar::all(0)); img.convertTo(img, CV_32F); // Expand input image to aperture by adding zero rows and columns so that they become powers of two. cv::Mat padded; cv::copyMakeBorder(img, padded, 0, m-img.rows , 0, n-img.cols , cv::BORDER_CONSTANT, cv::Scalar::all(0)); // Create complex matrix from real one. cv::Mat planes[] = {padded, cv::Mat::zeros(padded.size(), CV_32F)}; cv::Mat complexI; cv::merge(planes, 2, complexI); // Add imaginary part // Perform forward Fourier transform. cv::dft(complexI, complexI); // Transform will be done inplace. // Split fourier transformed image back to real and imaginary parts. cv::split(complexI, planes); // Planes now contains the results after transformation // Compute magnitude of the spectrum M = sqrt(R^2 + I^2). cv::magnitude(planes[0], planes[1], planes[0]); cv::Mat magI = planes[0]; // Crop the spectrum if it has an odd number of rows or columns. magI = magI(cv::Rect(0, 0, magI.cols & ~1, magI.rows & ~1)); // Rearrange the quadrants of Fourier image so that the origin is at the center of image. int cx = magI.cols / 2; int cy = magI.rows / 2; cv::Mat q0(magI, cv::Rect(0, 0, cx, cy)); // Top-left corner cv::Mat q1(magI, cv::Rect(cx, 0, cx, cy)); // Top-right corner cv::Mat q2(magI, cv::Rect(0, cy, cx, cy)); // Bottom-left corner cv::Mat q3(magI, cv::Rect(cx, cy, cx, cy)); // Bottom-right corner cv::Mat tmp; q0.copyTo(tmp); q3.copyTo(q0); tmp.copyTo(q3); q1.copyTo(tmp); q2.copyTo(q1); tmp.copyTo(q2); // Logarithmic scale conversion for better visualization. magI += cv::Scalar::all(1); log(magI, magI); // Normalize the result between 0 and 1. cv::normalize(magI, magI, 0, 1, cv::NORM_MINMAX); // Display the resulting frequency domain representation. cv::imshow("Spectrum Magnitude", magI); cv::waitKey(); return 0; } ``` 此程序展示了如何利用 OpenCV 中的功能来进行基本的频谱分析，并提供了清晰的结果视图。