写一个代码使用傅里叶变换处理图片

傅里叶变换是一种在信号处理和图像分析中常用的数学工具，它将信号从时域转换到频域，可以揭示信号的频率成分。在图像处理中，通常使用二维傅里叶变换（2D FFT）来分析图像的频率特性，例如滤波、压缩和特征提取等。以下是一个简单的Python示例，使用NumPy库来对图像做离散傅里叶变换（Discrete Fourier Transform，DFT）:

import numpy as np
from scipy import ndimage
import matplotlib.pyplot as plt

def dft(image):
    # 对图像做二维傅立叶变换
    fourier_transform = np.fft.fft2(image)
    
    # 计算绝对值，得到幅度谱
    abs_fourier = np.abs(fourier_transform)
    
    # 取实部和虚部，只保留正频率部分（因为负频率是镜像对称）
    real = np.real(abs_fourier)
    imag = np.imag(abs_fourier)

    return real, imag

# 加载图像
image = plt.imread('your_image_path.jpg') / 255.0  # 归一化像素值
real, imag = dft(image)

# 显示原图和频域图像
fig, axs = plt.subplots(nrows=2, sharex=True, sharey=True)
axs[0].imshow(image, cmap='gray')
axs[0].set_title('Original Image')

axs[1].imshow(np.log1p(real), cmap='viridis')  # 对幅度谱取自然对数，增强可视化效果
axs[1].set_title('Magnitude Spectrum')

plt.show()

这个代码首先加载图像，然后对其进行2D DFT。接着，它计算了傅立叶变换的幅度（即每个像素点的频率强度）。最后，它显示了原始图像以及其幅度谱（通常是灰度图像，颜色表示频率强度）。