【Python学习笔记】21：numpy傅里叶变换

一个简单的傅里叶变换

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x&＃61;np.linspace(0,2*np.pi,50)
>>> x
array([ 0. , 0.12822827, 0.25645654, 0.38468481, 0.51291309,
0.64114136, 0.76936963, 0.8975979 , 1.02582617, 1.15405444,
1.28228272, 1.41051099, 1.53873926, 1.66696753, 1.7951958 ,
1.92342407, 2.05165235, 2.17988062, 2.30810889, 2.43633716,
2.56456543, 2.6927937 , 2.82102197, 2.94925025, 3.07747852,
3.20570679, 3.33393506, 3.46216333, 3.5903916 , 3.71861988,
3.84684815, 3.97507642, 4.10330469, 4.23153296, 4.35976123,
4.48798951, 4.61621778, 4.74444605, 4.87267432, 5.00090259,
5.12913086, 5.25735913, 5.38558741, 5.51381568, 5.64204395,
5.77027222, 5.89850049, 6.02672876, 6.15495704, 6.28318531])
>>> wave&＃61;np.cos(x)
>>> transformed&＃61;np.fft.fft(wave) #傅里叶变换
>>> plt.plot(transformed) #绘制变换后的信号
Warning (from warnings module):
File "D:\Program Files\Python\lib\site-packages\numpy\core\numeric.py", line 531
return array(a, dtype, copy&＃61;False, order&＃61;order)
ComplexWarning: Casting complex values to real discards the imaginary part
[]
>>> plt.show()


傅里叶变换使用np.fft中的fft函数&＃xff0c;可以将余弦值作傅里叶变换。
不知道为什么按董老师的代码&＃xff0c;绘制变换后的信号时会有这样的报错&＃xff0c;不过最后的图像可以正常显示。

傅里叶反变换

>>> plt.plot(np.fft.ifft(transformed)) #反变换
[]
>>> plt.show()


变换后的点用np.fft中的ifft就可以反变换回去&＃xff0c;得到它的余弦的图像。

移频(针对作好傅里叶变换的数据)

>>> shifted&＃61;np.fft.fftshift(transformed) #移频
>>> plt.plot(shifted)
[]
>>> plt.show()


使用np.fft中的ffshift可以对信号进行移频操作&＃xff0c;还有iffshift可以将移频后的信号还原成之前的。

对移频后的信号进行傅里叶反变换

>>> plt.plot(np.fft.ifft(shifted))
[]
>>> plt.show()


二维傅里叶变换

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> x&＃61;np.random.rand(10,10) #二维随机信号
>>> wave&＃61;np.cos(x)
>>> plt.plot(wave)
>>> plt.show()


>>> transformed&＃61;np.fft.fft2(wave)
>>> plt.plot(transformed)
>>> plt.show()


二维傅里叶变换使用的函数是np.fft里的fft2()函数。

>>> plt.plot(np.fft.ifft2(transformed)) #二维反变换
>>> plt.show()


同样地二维反变换也使用ifft2()函数。

得到的图像和最开始变换前的图像理论上是一样的。

滤出图像中的低频信号

首先先安装python3下的PIL包&＃xff0c;用pip安装pillow模块就可以了。但在这之前可能需要对pip更新。

等待安装完成(cmd会回到之前的文件夹)&＃xff0c;就可以使用PIL包了。pillow模块用于图像处理非常强大&＃xff0c;其中的Image类是比较常用的一个类。
选择一个图像作为测试&＃xff0c;如下图。

import numpy as np
from PIL import Image
from numpy.fft import fft,ifft
def filterImage(srcImage):
#打开图像文件并获取数据
srcIm&＃61;Image.open(srcImage)
srcArray&＃61;np.fromstring(srcIm.tobytes(),dtype&＃61;np.int8)
#傅里叶变换并滤除低频信号
result&＃61;fft(srcArray)
result&＃61;np.where(np.absolute(result)<9e4,0,result)
#傅里叶反变换,保留实部
result&＃61;ifft(result)
result&＃61;np.int8(np.real(result))
#转换为图像
im&＃61;Image.frombytes(srcIm.mode,srcIm.size,result)
im.show()
filterImage(&＃39;test.jpg&＃39;)


首先&＃xff0c;通过自定义的函数filterImage传入这个图片的名称字符串&＃xff0c;然后传给了Image类的open()函数&＃xff0c;打开这样一个图片&＃xff0c;然后得到的Image对象传给了srcIm。

然后这个Image对象srcIm调用自己的成员函数tobytes()转换成了一个字节串&＃xff0c;然后将这个图像转换成的字节串数据通过numpy的fromstring转换成一个一维数组&＃xff0c;传给srcArray。

然后对这个一维数组通过fft()函数进行一维傅里叶变换&＃xff0c;变换的结果给result&＃xff0c;它仍然是一个数组&＃xff0c;并且其中的数都是复数(关于这一点可以自己输出看一看)。

紧接着用前面学习过的numpy的where函数(见分段函数那节)&＃xff0c;对于这个数组result中模(numpy的absolute函数)小于9e4的部分变成0&＃xff0c;对result作更新&＃xff0c;这也就是滤除了低频信号。

然后就要对这个result进行一维傅里叶反变换&＃xff0c;然后通过numpy的real()函数对数组进行函数操作&＃xff0c;只保留复数的实部。并且转换成int8字节码&＃xff0c;这样也就可以作为一个图像的字节串数据来看待了。

最后用Image类的frombytes函数将这个变换好的字节串数据&＃xff0c;转换成与原来的图像(也就是Image对象srcIm)相同模式(mode)&＃xff0c;相同大小(size)的图像对象&＃xff0c;再用show()函数显示即可&＃xff0c;最后的结果如下。