s1071648 影像處理作業3

作業說明:

請撰寫一個程式，讀取一張 256 色灰階圖像。
(1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像 方式呈現出。
(2)對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。(程式利用課本的 frequency filter 步驟者可得滿分!)

環境/語言:

VisualStudio 2017
OpenCV 4.5.1
Window 10
C++

實作方法:

imread/IMREAD_GRATSCALR讀取圖片並設成灰階

glpf() funtion 高斯低通濾波處理

dft() 傅立葉轉換

split() 分離轉換後的實部及虛部

magnitude() 得到頻譜圖

Phase() 得到相位圖

Idft() 通過計算IDFT獲得濾波後的圖像

執行結果:

s1073322 影像處理作業3

 

作業說明：

離散傅立葉轉換DFT練習

請撰寫一個程式，讀取一張256色灰階圖像。

(1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階256色方式呈現出。

(2)對圖像利用Gaussian Low-Pass filter處理，輸出平滑後圖像。(程式利用課本的frequency filter步驟者可得滿分!)

開發環境：

        Windows 10/cmd/python/openCV 4.5.1

開發原理：

        傅立葉/反傅立葉(Fourier)：以np.fft.fft2() 快速傅立葉變換得到頻率分佈，再 

        np.fft.fftshift() 函式

        將中心位置轉移至中間，最終通過 Matplotlib顯示效果圖。

        頻譜大小(Magnitude Spectrum)：以cv2.dft將輸入影像轉換成 np.float32格式，此時輸

        出的頻譜為一個複數，以cv2.magnitude(x, y, magnitude=None)將傅立葉轉換的雙通道

        結果轉換為0~255的範圍，x為浮點型X座標值，即為實部，y則是虛部浮點型Y座標值。

        Gaussian(Blurred) ：以cv2.GaussianBlur(img, (5,5), 0)做轉換。其中(5,5),0表示高斯矩

        陣長寬皆為5，標準差為0,openCV即會根據高斯矩陣自己計算，矩陣尺寸越大，標準差越

        大，其模糊程度就越大。

        相位角度(Phase angle)：以np.angle直接根據複數的虛部和十部求出角度，默認的角度

        是弧度。

       

圖片：

        傅立葉 / 反傅立葉 / Gaussian(Blurred) / 

        頻譜大小(Magnitude Spectrum) / 相位角度(Phase angle)

s1070702 影像處理作業 3

作業說明

請撰寫一個程式，讀取一張 256 色灰階圖像。

(1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像 方式呈現出。

(2)對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。

作業環境

win10 + Spyder (Python 3.7) + OpenCV 4.5.1

實作方法

1.讀入圖片並轉為灰階，輸出灰階圖

2.將轉為灰階的圖做傅立葉轉換並取出角度的數值，輸出相位圖

3.將轉為灰階的圖做傅立葉轉換並取出頻率，輸出頻譜圖

4.利用Gaussian Low-Pass filter，求得的3*3 gaussian_kernel對圖片做convolution，輸出模糊化後的圖

執行結果

原圖:

處理後的圖:

s1063514影像處理作業3

  影像處理概論作業3

作業題目:

        請撰寫一個程式，讀取一張 256 色灰階圖像。 (1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像 方式呈現出。 (2)對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。(程式利用課本的 frequency filter 步驟者可得滿分!)

使用環境:

• Linux version 4.15.0
• Python 3.6.9
• opencv-python 4.5.1.48
• numpy 1.19.15

實作方法:

    (1)透過opencv先將圖片讀入，並將圖片轉為灰階，透過mp.fft.fft2，將0~255的圖片轉為頻域，因傅立葉的特性須將圖片先做padding，但一開始並未這麼做，所以透過fft.shift，對頻域半周長的位移，將原本散布四角的頻域顯示在中間，透過np.angle將相位圖表示出來

    (2)高斯濾波對原圖做平滑化，將std設3，kernel放大，做出模糊=>平滑畫的效果

.

執行結果:

                                                            原圖

灰階

頻域

phase

平滑化

s1071816影像處理作業3

作業說明: 

請撰寫一個程式，讀取一張 256 色灰階圖像。 

(1) 計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像

方式呈現出。 

(2) 對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。(程式利用課本的

frequency filter 步驟者可得滿分!) 

作業環境:

Windows10

Python 

opencv 4.5.1

作業說明:

1.  imread讀取灰階圖片

2.  用fft.fft2進行傅立葉轉換

3.  用fftshift把中心對到中間

4.  取絕對值取模，取對數將資料範圍縮小，得到magnitude

5.  用angle得到phase

6.  用plt輸出三種灰階結果

7.  GaussianBlur得到blur

執行結果:

  

原圖

     

           

   

傅立葉

        

      

相位

     

模糊

    

s1051418 影像處理作業3

l   作業說明:

離散傅立葉轉換DFT練習

請撰寫一個程式，讀取一張256色灰階圖像。

(1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階256色方式呈現出。

(2)對圖像利用Gaussian Low-Pass filter處理，輸出平滑後圖像。(程式利用課本的frequency filter步驟者可得滿分!)

l   使用環境/語言:

n   Windows10

n   Visual Studio 2015

n   Opencv-3.4.1

n   C++

l   特殊程式片段註解/實作方法:

n  dft()進行傅立葉轉換

n  split()分離轉換後的實部及虛部

n  magnitude()生成頻譜

n   phase()生成相位圖

n   GaussianBlur()生成平滑後圖片

l   執行方式/畫面:

l   參考資料:

n   https://blog.csdn.net/zangle260/article/details/52963199

n   https://blog.csdn.net/qq_31935691/article/details/71699569

s1071405 影像處理作業3

作業說明：

請撰寫一個程式，讀取一張 256 色灰階圖像。

(1) 計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像方式呈現出。

(2) 對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。

(程式利用課本的frequency filter 步驟者可得滿分!) 

操作環境：

• macOS Big Sur
• Python 3.8.5
• OpenCV 4.5.1
• Numpy 1.19.4 

實作方法： 

1. cv.imread( )讀取圖片並轉成灰階 
2. np.fft.fft2( ) 得到Fourier Transform Spectrum 
3. np.angle( )取得Phase Angle 
4. np.fft.fftshift( ) Centralize Spectrum 
5. 乘上Gaussian Low Pass Filter 
6. np.fft.ifftshift( ) Decentralize Spectrum 
7. np.fft.ifft2( ) 執行Inverse Fourier Transform得到輸出結果 

執行結果：

s1071532 影像處理作業3

  

離散傅立葉轉換 DFT 練習

請撰寫一個程式，讀取一張 256 色灰階圖像。

(1) 計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像方式呈現出。

(2) 對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。

程式語言：Python 3.7.3 64-bit

開發環境：

• Windows 10

• Visual Studio Code

• OpenCV 4.5.1

實作方法與演算法：

使用 imread 把全彩圖片以灰階的方式讀進來，經過 numpy 裡面的傅立葉轉換得到了跟圖片一樣大的一個複數(complex)矩陣，再用 numpy 裡的傅立葉 shift 把最低頻率的部分從左上角移到中間。

(1) 頻率各占比的圖是把這些在矩陣裡的複數轉成實數並以 0 ~ 255 的範圍表示；相位角的圖則是運用 numpy 裡的 angle 函式。

(2) 對原灰階圖使用 opencv 裡面的 GaussianBlur 函式。

原圖

灰階

頻率大小

相位角度

after Guassian Low-Pass filter

圖片來源：

    https://truth.bahamut.com.tw/s01/202007/fb2e989f00b6f72ec00e60f4f6f196fc.JPG

s1071242 影像處理作業3

1. 作業題目：

請撰寫一個程式，讀取一張 256 色灰階圖像。

(1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像

方式呈現出。

(2)對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。(程式利用課本的

frequency filter 步驟者可得滿分!)

2. 開發環境 ：

• Windows 10
• spyder
• python 3.8
• OpenCV 4.5.1

3. 說明：

          

• imread讀圖片
• 傅立葉轉換得到頻率分布，結果轉絕對值得到頻譜
• 使用np.angle()得到相位角
• 設定mask和頻率相乘得到平滑後圖像
• plt.show() 秀出title跟圖片

4.執行結果:  左上到左下分別為:原圖 輸出結果 頻譜圖 相位圖

   

s1073330 影像處理作業 3

 一、作業說明:

      請撰寫一個程式，讀取一張 256 色灰階圖像。 

        (1)計算輸入圖的離散傅立葉轉換結果，並將頻譜大小與相位角度各以灰階 256 色圖像 方式呈現出。 

        (2)對圖像利用 Gaussian Low-Pass filter 處理，輸出平滑後圖像。

二、使用環境:

       作業系統: Windows10

          編譯軟體: Visual Studio2017

          程式語言: c++/opencv 4.5.1

三、方法:

       1. imread 從路徑讀取原圖片

       2.將原圖變灰階

       3.dft() 進行傅立葉轉換

       4. split() 分離轉換後的實部及虛部 

       5. magnitude() 生成頻譜

       6. phase() 生成相位圖

       7.GaussianBlurx來生成平滑後圖片

四、執行結果:

原圖

原始傅里葉圖

傅里葉圖

相位圖

Gaussian

s1063320 影像處理作業 1

  1.作業說明：

撰寫一個程式從檔案讀取一張圖像，將圖像的每一個點像素的值各加上一個整數值 v (-255 <= v <= 255)，並將圖像儲存至一個新圖像檔案中。

2.開發環境：

Windows 10

Visual Studio 2017

C++

OpenCV 4.5.1

3.程式說明：

1. 我们使用cv :: imread加载图像，并将其保存在Mat对象中

2.执行操作

执行操作g（i，j）=f（i，j）+β我们将访问图像中的每个像素。由于我们使用BGR图像进行操作，

因此每像素（B,G,R）将有三个值，因此我们也将分别访问它们。

3.最后，我们创建窗口，并显示图像

4.輸出：

value=-100

value=0(原始圖片)

value=100

s1063320 影像處理作業 2

  1.作業說明：

撰寫一個程式，讀取一張 256 色灰階圖像或 RGB 全彩圖像(.bmp 或.jpg 圖像格式都可， 如全彩圖像可先將圖片由 RGB 轉換至灰階影像)，利用 Sobel Operators 圖像邊緣為基 礎，設計一個類似素描線條自畫像程式。(如果可以分析邊緣偵測所得到的點，結合成 線條方式呈現更佳!)

2.開發環境：

Windows 10

Visual Studio 2017

C++

OpenCV 4.5.1

3.程式說明：

1. 我们使用imread加载图像，并将其保存在Mat对象中

2.利用COLOR_BGR2GRAY把圖片轉成灰階。

3用sobel去處理X軸和Y軸

4 addWeighted給予權重將X和Y整和形成新的圖片

4.最后，我们创建窗口，并显示图像

4.輸出：

原圖:

新圖: