我正在尝试生成高斯核的 FFT 以用于以后的过滤。我的理解是,高斯核的 FFT 应该产生在视觉上与原始强度图像相似的幅度。这是我得到的,
这是一个应该重现此图像的片段。
import numpy as np
import cv2
from matplotlib import pyplot as plt
ksize = 50
ksize = ksize*2+1
sigma = 15
fil = cv2.getGaussianKernel(ksize,0)
fil = fil * fil.T
fil_fft = cv2.dft(np.float32(fil),flags = cv2.DFT_COMPLEX_OUTPUT)
fil_shift = np.fft.fftshift(fil_fft)
magnitude_fil = 20*np.log(cv2.magnitude(fil_shift[:,:,0],fil_shift[:,:,1]))
plt.subplot(131),plt.imshow(fil)
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(magnitude_fil)
plt.title('FFT (Magnitude)'), plt.xticks([]), plt.yticks([])
plt.show()
关于我为什么会得到这种 T 形响应的任何想法都很好。
最佳答案
您正在正确计算高斯的傅立叶变换,并得到高斯。但是你显示幅度的对数。这种对数变换使高斯分布看起来像抛物线,并增强了结果中的极低强度噪声(来自数值精度问题)。
输出中的大交叉是由于混叠:该图中的混叠很少,但高斯无限大,因此总是会被切断,即使缺失的部分非常非常低强度 - 对数拉伸(stretch)恰好将其表现出来。
如果我重复您的实验并显示没有(左)和有对数拉伸(stretch)(右)的 FFT,您会看到不同之处:
我用的是不同的软件,所以我右边的图和你的不一样,噪音小一些。
请注意,高斯的傅立叶变换是高斯,但大小会有所不同,如 explained by Mick in his answer .
关于python - 高斯核的 FFT 不正确,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52437002/