我可能不明白频域是如何工作的。对于一个项目,我必须使用 Python 更改图像的亮度,而不是在空间域中工作。
目前我可以通过卷积应用一些模糊滤镜,如下例所示:
def arithmeticMeanFilter(self, img):
img = img.convert('RGB')
open_cv_image = np.array(img)
red = open_cv_image[:, :, 0]
green = open_cv_image[:, :, 1]
blue = open_cv_image[:, :, 2]
mean_arithmetic = np.ones((9, 9))*(1/81)
width, height, _ = open_cv_image.shape
kernel1 = np.zeros((width, height))
kernel1[:mean_arithmetic.shape[0], :mean_arithmetic.shape[1]] = mean_arithmetic
kernel1 = np.fft.fft2(kernel1)
im = np.array(red)
fim = np.fft.fft2(im)
Rx = np.real(np.fft.ifft2(kernel1 * fim)).astype(float)
im = np.array(green)
fim = np.fft.fft2(im)
Gx = np.real(np.fft.ifft2(kernel1 * fim)).astype(float)
im = np.array(blue)
fim = np.fft.fft2(im)
Bx = np.real(np.fft.ifft2(kernel1 * fim)).astype(float)
open_cv_image[:, :, 0] = abs(Rx)
open_cv_image[:, :, 1] = abs(Gx)
open_cv_image[:, :, 2] = abs(Bx)
img = Image.fromarray(open_cv_image)
return img
但是如何使用这种技术改变亮度?
最佳答案
改变图像的亮度是通过将每个像素乘以一个常数来实现的。
因为Fourier transform is a linear operation ,乘以空间域中的常数相当于乘以频域中的相同常数。
函数F的线性定义为:
aF(x) + bF(y) = F(ax + by)
从该方程很容易得出aF(x) = F(ax),或者,正如我上面所说,在一个域中相乘等同于在另一个域中相乘。
kmario23 commented频域中的乘法是空间域中的卷积。这是真实的。但由于我们处理的是一个常数,所以事情就简单了一些。无论如何,我们可以看到频域中的常数函数是 impulse (or dirac delta) function在空间域中。与脉冲函数进行卷积与乘以常数相同。
进入频域来改变亮度是浪费的,但如果你已经在那里,你可以这样做。
关于python - 在频域中改变亮度,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54844897/