频域平滑去噪opencv代码

频域平滑去噪通常使用数字信号处理中的傅里叶变换（FFT）来对图像的频率成分进行处理。在OpenCV中，你可以使用`cv2.dft()`和`cv2.idft()`函数来进行快速傅里叶变换（DFT）和逆快速傅里叶变换（IDFT），结合低通滤波来减少噪声。

以下是一个简单的示例，展示了如何使用OpenCV进行频域平滑去噪：

import cv2
import numpy as np

# 假设img是你的输入图像
def频域平滑去噪(img, filter_size=5):
    # 将图像转换为灰度图（如果需要）
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 对图像进行DFT
    dft = cv2.dft(np.float32(gray_img), flags=cv2.DFT_COMPLEX_OUTPUT)
    dft_shift = np.fft.fftshift(dft)

    # 定义高斯滤波器，这里使用OpenCV的getGaussianKernel()
    low_pass_filter = cv2.getGaussianKernel(filter_size, sigma=filter_size / 6)

    # 将滤波器应用到频域图像上
    filtered_dft = dft_shift * low_pass_filter * low_pass_filter.conj()

    # 逆傅立叶变换，将结果转换回时域
    ifft = cv2.idft(filtered_dft)
    ifft = np.abs(cv2.fftshift(ifft))

    # 添加边界并限制最大值为原图像的值
    result = cv2.magnitude(ifft[:, :, 0], ifft[:, :, 1])
    result = cv2.resize(result, img.shape[:2], interpolation=cv2.INTER_CUBIC)

    return result

# 使用示例
noisy_image = ... # 你的噪声图像
denoised_image = 频域平滑去噪(noisy_image)

注意：
1. `filter_size`参数控制了低通滤波器的大小，较大的值可能会导致更多的细节损失。
2. 高斯滤波器在频域去噪时常用，但不是唯一的选择，还可以尝试其他滤波器如双边滤波等。
3. 这个过程可能会丢失一些高频信息，因此对于图像细节较多的场景可能效果一般。