Numpy 傅立葉變換 np.fft (4) 低頻的位置與原始圖像的關係
本篇我們觀察兩種黑白交錯的原始圖像會產生什麼樣的頻率分布
import numpy as np
import matplotlib.pyplot as plt
import src.genpic8 as pic
if __name__ == '__main__':
img = pic.backslash()
fft = np.fft.fft2(img)
amp_spectrum_nl = np.abs(np.fft.fftshift(fft))
amp_spectrum = amp_spectrum_nl
plt.subplot(121), plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(amp_spectrum, cmap='gray')
plt.title('v_half'), plt.xticks([]), plt.yticks([])
plt.show()
print('end')
運行結果如下
頻率數據如下
換另一個
import numpy as np
import matplotlib.pyplot as plt
import src.genpic8 as pic
if __name__ == '__main__':
img = pic.v_strip()
fft = np.fft.fft2(img)
amp_spectrum_nl = np.abs(np.fft.fftshift(fft))
amp_spectrum = amp_spectrum_nl
plt.subplot(121), plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(amp_spectrum, cmap='gray')
plt.title('v_half'), plt.xticks([]), plt.yticks([])
plt.show()
print('end')
運行結果如下
頻率數據如下
結論
由此兩張我們得知，頻率的分布會依照原始圖像的變化而不同。
下一篇我們使用一個柱狀圖，然後旋轉，觀察頻率變化。
