Numpy 傅立葉變換 np.fft (2.2) 低頻的位置
首先我們先使用一個全白色的原始圖像陣列做 FT ，然後觀察低頻數據的位置。代碼如下：
import numpy as np
import matplotlib.pyplot as plt
import src.genpic8 as pic
if __name__ == '__main__':
img = pic.full()
fft = np.fft.fft2(img)
amp_spectrum_nl = np.abs(np.fft.fftshift(fft))
amp_spectrum = amp_spectrum_nl
plt.subplot(121), plt.imshow(img, cmap='gray', vmin=0, vmax=255)
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(amp_spectrum, cmap='gray')
plt.title('FT'), plt.xticks([]), plt.yticks([])
plt.show()
print('end')
程式的步驟和之前完全一樣，與 Lena 不同，這次我們沒有加 log 運算。下圖左方為原始圖像，右邊是 FT 之後的頻率數據。中間的白色是低頻所在的位置。我們再觀察實際數據，如下圖。
結論
我們使用全白的陣列做為原始圖像，產生出一個最低的變化量。然後觀察低頻的位置，此位置是經過 shift 之後的位置。
下一篇我們將觀察原始圖像的變化與頻率的位置。
