opencv c++通过傅里叶变换去除正弦噪声

以下是使用OpenCV C进行傅里叶变换去除正弦噪声的示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
    Mat img = imread("sinusoidal_noise.jpg", IMREAD_GRAYSCALE);

    if (img.empty())
    {
        cout << "Could not read the image: " << argv[1] << endl;
        return 1;
    }

    // Apply Fourier Transform
    Mat imgFreq;
    dft(img, imgFreq, DFT_COMPLEX_OUTPUT);

    // Shift the zero frequency component to the center of the spectrum
    Mat shifted;
    fftShift(imgFreq, shifted);

    // Create mask to remove sinusoidal noise
    Mat mask(img.size(), CV_8UC1, Scalar(0));
    int cx = mask.cols / 2;
    int cy = mask.rows / 2;
    int radius = 30;
    circle(mask, Point(cx, cy), radius, Scalar(255), -1);

    // Apply mask to the spectrum
    Mat filtered;
    shifted.copyTo(filtered, mask);

    // Shift back the zero frequency component to the top-left corner
    Mat shiftedBack;
    fftShift(filtered, shiftedBack, true);

    // Apply Inverse Fourier Transform
    Mat imgFiltered;
    idft(shiftedBack, imgFiltered, DFT_SCALE | DFT_REAL_OUTPUT);

    // Display the original and filtered images
    namedWindow("Original Image", WINDOW_NORMAL);
    namedWindow("Filtered Image", WINDOW_NORMAL);

    imshow("Original Image", img);
    imshow("Filtered Image", imgFiltered);

    waitKey(0);

    return 0;
}

首先，我们读取包含正弦噪声的灰度图像。然后，我们应用傅里叶变换来将图像转换到频域。为了更好地可视化频谱，我们将零频率分量移动到频谱的中心。接下来，我们创建一个掩码来删除正弦噪声。在本例中，我们使用圆形掩码，其半径等于正弦波的频率。然后，我们将掩码应用于频谱，并将零频率分量移回频谱的左上角。最后，我们应用逆傅里叶变换以将图像转换回空域，并显示原始图像和过滤后的图像。

注意：在将频率分量移动到中心和左上角时，我们使用了OpenCV的fftShift（）函数。这是因为在DFT之后，频谱的低频分量位于频谱的四个角落中。fftShift（）函数将低频分量移到频谱的中心或左上角，以便更好地可视化和处理。