用skimage对图像进行傅里叶变换

在Python的Scikit-image库（skimage）中，可以使用`skimage.transform.fft`模块来进行图像的傅里叶变换。Skimage提供了一种简单的方式来处理复杂的图像数学操作，包括快速傅里叶变换（FFT）。以下是一个基本的例子：

from skimage import io, transform
import numpy as np

# 加载图像
img = io.imread('your_image.jpg')

# 对图像进行二维傅里叶变换
fft_img = transform.fft2(img)

# 计算绝对值，得到频谱图（离散幅度谱）
abs_fft = np.abs(fft_img)

# 可以选择取log或者四舍五入减去最小值以增强对比度
log_abs_fft = np.log(np.maximum(abs_fft, np.finfo(float).eps))

# 显示原图像和傅里叶变换结果
io.imshow(log_abs_fft)

在这个例子中，`fft2()`函数用于计算二维傅立叶变换，`np.abs()`获取复数的模，即频谱强度。`np.log()`通常用于可视化，因为它能将频率信息压缩到更小的动态范围内。

相关问题

利用Python从skimage中读取一张图像并显示出来，画出该图的傅里叶变换，利用skimage filter实现高通低通并显示图像

首先，你需要安装`skimage`库，如果你还没有安装，可以使用以下命令安装：

pip install scikit-image

接下来，我们可以按照步骤来进行：

1. **读取图像**:
使用`skimage.io.imread`函数读取图片文件，例如`image.jpg`。

from skimage import io

image = io.imread('image.jpg')

2. **显示原图**:
可以用matplotlib库来展示原始图像。

import matplotlib.pyplot as plt
plt.imshow(image)
plt.show()

3. **傅里叶变换**:
对图像进行傅立叶变换，通常我们使用`skimage.transform.fft`。注意这将返回频率域图像，如果想要查看频谱，需要对结果进行一些处理。

fft_image = np.abs(np.fft.fftshift(np.fft.fft2(image)))

4. **绘制傅里叶变换**:
同样用matplotlib显示傅立叶变换的结果。

plt.imshow(fft_image, cmap='gray')
plt.title('Fourier Transform of the Image')
plt.show()

5. **滤波处理**:
`skimage.filters`模块提供了一系列滤波器，如`high_pass`（高通滤波）和`low_pass`（低通滤波）。这里我们以高通滤波为例：

high_pass_filter = filters.high_pass(image, size=5)  # 使用5x5的窗口大小

6. **显示高通滤波后的图像**:

plt.imshow(high_pass_filter, cmap='gray')
plt.title('High-pass Filtered Image')
plt.show()

7. **低通滤波同样操作，只需替换`filters.high_pass`为`filters.low_pass`即可**。

定义一个函数ft，可以实现对输入图像的傅里叶变换，并将零频分量平移到频谱中心，最后返回傅里叶频谱。进行测试，对data.checkerboard()调用定义的函数，并显示处理结果

好的，以下是定义函数ft的Python代码：

import numpy as np
from scipy import fftpack

def ft(img):
    # 使用傅里叶变换
    f = fftpack.fft2(img)
    
    # 将零频分量平移到频谱中心
    fshift = fftpack.fftshift(f)
    
    # 返回傅里叶频谱
    return np.log(np.abs(fshift))

接下来是对data.checkerboard()调用ft函数，并显示处理结果的Python代码：

import matplotlib.pyplot as plt
from skimage import data

# 读取数据
img = data.checkerboard()

# 调用ft函数进行傅里叶变换
f_img = ft(img)

# 显示原图和处理结果
fig, axes = plt.subplots(ncols=2, figsize=(10, 5))
ax = axes.ravel()

ax[0].imshow(img, cmap='gray')
ax[0].set_title('Original image')

ax[1].imshow(f_img, cmap='gray')
ax[1].set_title('Fourier spectrum')

fig.tight_layout()
plt.show()

运行上述代码，就可以得到对data.checkerboard()进行傅里叶变换后的结果。