用python提取图像的归一化傅里叶描述子特征，不使用cv2.xfeatures2d函数

以下是一个示例代码，用于提取图像的归一化傅里叶描述子特征：

import cv2
import numpy as np

def fourier_desc(image):
    # 将图像转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 计算图像的傅里叶变换
    fft = np.fft.fft2(gray)
    
    # 将零频率分量移到频谱的中心
    fft_shift = np.fft.fftshift(fft)
    
    # 取中心区域的幅度谱，即忽略高频噪声
    magnitude_spectrum = 20 * np.log(np.abs(fft_shift))
    rows, cols = gray.shape
    crow, ccol = rows // 2, cols // 2
    magnitude_spectrum = magnitude_spectrum[crow - 15 : crow + 16, ccol - 15 : ccol + 16]
    
    # 对幅度谱进行归一化
    magnitude_spectrum = cv2.normalize(magnitude_spectrum, None, alpha=0, beta=1, norm_type=cv2.NORM_MINMAX)
    
    # 计算幅度谱的傅里叶描述子
    descriptors = np.abs(np.fft.ifft2(magnitude_spectrum))
    
    # 将描述子转换为一维数组
    descriptors = descriptors.flatten()
    
    return descriptors

在上述代码中，我们首先将图像转换为灰度图像，然后计算其傅里叶变换。为了去除高频噪声，我们只保留了频谱的中心区域，并对其进行了归一化。最后，我们计算了幅度谱的傅里叶描述子，并将其转换为一维数组。