FFT 快速傅里叶变换
傅里叶变换
快速傅里叶变换（Fast Fourier Transform，FFT）是一种可在 O(nlogn)
时间内完成的离散傅里叶变换（Discrete Fourier transform，DFT）算法。具体什么是傅里叶变换，这里不再讲述，有兴趣的小伙伴们可以自行百度。
在计算机视觉方面，我们经常将FFT视为代表两个域中的图像的图像处理工具：
傅立叶（即频域）域空间域因此，FFT以实部和虚部表示图像。
通过分析这些值，我们可以执行图像处理例程，例如模糊，边缘检测，阈值化，纹理分析，甚至可以进行模
利用opencv傅里叶变换检测模糊图片import numpy as np import cv2 def detect_blur_fft(image, size=60, thresh=10): (h, w) = image.shape (cX, cY) = (int(w / 2.0), int(h / 2.0)) fft = np.fft.fft2(image) fftShift = np.fft.fftshift(fft) fftShift[cY - size:cY + size, cX - size:cX + size] = 0 fftShift = np.fft.ifftshift(fftShift) recon = np.fft.ifft2(fftShift) magnitude = 20 * np.log(np.abs(recon)) mean = np.mean(magnitude) return (mean, mean <= thresh)首先我们建立一个利用opencv快速傅里叶变换检测模糊照片的函数，函数接受：
image：我们用于模糊检测的输入图像
size：围绕图像中心点的半径大小，我们将使FFT偏移为零
thresh：阀值，该值将与幅值的平均值进行比较，以确定图像是否被认为是模糊
模糊图片检测
这里，我们使用NumPy的内置算法，计算图片的FFT
然后，我们将结果的零频率分量（DC分量）移到中心，以便于后期数据分析。
通过fftShift[cY - size:cY + size, cX - size:cX + size] = 0行将FFT移位的中心归零（即去除低频）
应用反向移位将直流分量放回top-left
应用逆变换FFT
已经将中心DC值归零后，再次对重构图像进行频谱分析magnitude = 20 * np.log(np.abs(recon))。
计算幅度的平均值mean = np.mean(magnitude)。
返回2元组 ：幅度的平均值以及指示输入图像是否模糊的布尔值
代码截图
以上函数便是完整的图片模糊检测的全部代码，中间的FFT变换，若感兴趣的可以好好学习一下高等数学的基础知识，有了此函数，我们传入需要检测的图片，便可以进行图片的检测了。
模糊图片检测
opencv模糊图片检测orig = cv2.imread(&34;) orig = cv2.resize(orig, (600,500)) gray = cv2.cvtColor(orig, cv2.COLOR_BGR2GRAY) (mean, blurry) = detect_blur_fft(gray, size=60,thresh=10) image = np.dstack([gray] * 3) color = (0, 0, 255) if blurry else (0, 255, 0) text = &34; if blurry else &34; text = text.format(mean) cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7,color, 2) cv2.imshow(&34;, image) cv2.waitKey(0)首先我们传入需要进行检测的图片，进行图片的resize，然后cv2.cvtColor把图片转入灰度空间，便于计算，使用先前建立的函数，进行图片的检测，等待返回结果。
代码截图
模糊图片检测
小伙伴们可以根据自己领域内的图片，对检测图片的阈值进行设置来适应不同平台，不同领域的图片模糊检测
当然根据以上的FFT技术，我们也可以进行视频的模糊实时检测，这里小编不再介绍，前期也介绍了很多关于视频检测方面的方法，其实是把视频帧提取出来，每帧图片进行处理，跟图片检测一样的机制。
本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除
热门信息
阅读 ()
1 注册微信号怎么注册第二个阅读 ()
2 怎么把照片变成卡通头像阅读 ()
3 手机越充越少电怎么解决