Initial commit with project files

3_Signalorientierte_Bildverarbeitung/ü3/README.md

@@ -0,0 +1,40 @@
+# Übung 3: Fouriertransformation
+
+In dieser Übung soll die Fouriertransformation betrachtet werden.
+
+## Aufgabe a) Rauschen im Orts- und Frequenzbereich
+Um den Umgang mit Orts- und Frequenzbereich in Python zu verdeutlichen und die Grundlage
+für die Folgeaufgaben zu stellen, soll ein Programm geschrieben werden, das die folgenden Schritte
+durchführt:
+
+1. Öffnen Sie das Skript [a.py](a.py)
+2. Transformieren Sie die Bilder *img* und *img_noise* mit ``np.fft.fft2(img)`` in den Frequenzbereich.
+3. Berechnen Sie den Betrag/Amplitude der Transformierten und stellen Sie diese als Bild dar.
+4. Worin unterscheiden sich die Bilder?
+
+Die Musterlösung befindet sich in der Datei [l_a.py](l_a.py).
+
+**Hinweise:**
+- Mit der Funktion ``np.fft.fftshift(IMAGE)`` wird der Gleichanteil des Frequenzbereiches in die Mitte
+des Bildes gelegt.
+- Zur besseren Visualisierung des Frequenzbereiches ist es empfehlenswert, die anzuzeigenden Werte mit einem Faktor
+  zu reduzieren. Das kann z.B. ``magnitudes = magnitudes / 100000`` sein.
+  
+## Aufgabe b) Amplituden und Phasenspektrum vertauschen
+
+In der Datei [b.py](b.py) werden zwei Bilder geladen. Transformieren Sie sie in den Frequenzbereich und tauschen Sie die 
+Winkel und Amplituden. Stellen Sie die Bilder vor und nach dem Tausch dar!
+
+Die Musterlösung befindet sich in der Datei [l_b.py](l_b.py).
+
+## Aufgabe c) Tiefpassfilter
+
+In der Datei [c.py](c.py) wird ein Bild eines Teppichs geladen. Der Teppich hat Fehler in den Maschen, die Sie finden möchten.
+Um die Fehler besser finden zu können, möchten Sie das Bild mithilfe der Fourier-Transformation optisch anpassen.
+
+Transformieren Sie das Bild in den Frequenzbereich und löschen Sie verschiedene hochfrequente und/oder niederfrequente Anteile.
+Transformieren Sie das Spektrum darauf wieder in den Ortsbereich und stellen die Bilder dar!
+
+Welche Frequenzen scheinen für die Aufgabe interessanter zu sein?
+
+Die Musterlösung befindet sich in der Datei [l_c.py](l_c.py).

3_Signalorientierte_Bildverarbeitung/ü3/a.py

@@ -0,0 +1,20 @@
+import cv2
+import numpy as np
+
+img = cv2.imread("../../data/lena.png", cv2.IMREAD_GRAYSCALE)
+
+''' Rauschen hinzufügen '''
+h, w = img.shape
+saltpepper_noise = np.zeros((h, w), dtype=np.uint8)
+saltpepper_noise = cv2.randu(saltpepper_noise, 0, 255)
+black = saltpepper_noise < 15
+white = saltpepper_noise > 240
+img_noise = np.copy(img)
+img_noise[white] = 255
+img_noise[black] = 0
+
+
+''' Bild anzeigen '''
+cv2.imshow("img", img)
+cv2.imshow("img_noise", img_noise)
+cv2. waitKey()

3_Signalorientierte_Bildverarbeitung/ü3/b.py

@@ -0,0 +1,10 @@
+import cv2
+import numpy as np
+
+car = cv2.imread("../../data/car.png", cv2.IMREAD_GRAYSCALE)
+dog = cv2.imread("../../data/dog.png", cv2.IMREAD_GRAYSCALE)
+
+cv2.imshow("car", car)
+cv2.imshow("dog", dog)
+
+cv2. waitKey()

3_Signalorientierte_Bildverarbeitung/ü3/c.py

@@ -0,0 +1,24 @@
+import cv2
+import numpy as np
+
+img = cv2.imread("../../data/teppich.png", cv2.IMREAD_GRAYSCALE)
+
+
+''' FFT '''
+IMG = np.fft.fft2(img)
+MAGNITUDE = np.abs(IMG)
+ANGLE = np.angle(IMG)
+
+''' Filter out frequencies '''
+
+
+
+''' IFFT '''
+IMG = MAGNITUDE * np.exp(1j * ANGLE)
+filtered_image = np.fft.ifft2(IMG).astype(np.float32)
+
+''' Bild anzeigen '''
+cv2.imshow("img", img)
+cv2.imshow("filtered", filtered_image / np.max(filtered_image))
+
+cv2.waitKey(0)

3_Signalorientierte_Bildverarbeitung/ü3/l_a.py

@@ -0,0 +1,29 @@
+import cv2
+import numpy as np
+
+img = cv2.imread("../../data/lena.png", cv2.IMREAD_GRAYSCALE)
+
+''' Rauschen hinzufügen '''
+h, w = img.shape
+saltpepper_noise = np.zeros((h, w), dtype=np.uint8)
+saltpepper_noise = cv2.randu(saltpepper_noise, 0, 255)
+black = saltpepper_noise < 15
+white = saltpepper_noise > 240
+img_noise = np.copy(img)
+img_noise[white] = 255
+img_noise[black] = 0
+
+''' FFT '''
+visual_factor = 100000
+IMG = np.fft.fftshift(np.fft.fft2(img))
+IMG_magnitude = np.abs(IMG)
+cv2.imshow("IMG_magnitude", IMG_magnitude / visual_factor)
+
+IMG_NOISE = np.fft.fftshift(np.fft.fft2(img_noise))
+IMG_NOISE_magnitude = np.abs(IMG_NOISE)
+cv2.imshow("IMG_NOISE_magnitude", IMG_NOISE_magnitude / visual_factor)
+
+''' Bild anzeigen '''
+cv2.imshow("img", img)
+cv2.imshow("img_noise", img_noise)
+cv2. waitKey()

3_Signalorientierte_Bildverarbeitung/ü3/l_b.py

@@ -0,0 +1,28 @@
+import cv2
+import numpy as np
+
+car = cv2.imread("../../data/car.png", cv2.IMREAD_GRAYSCALE)
+dog = cv2.imread("../../data/dog.png", cv2.IMREAD_GRAYSCALE)
+
+''' FFT '''
+CAR = np.fft.fft2(car)
+CAR_magnitude = np.abs(CAR)
+CAR_angle = np.angle(CAR)
+
+DOG = np.fft.fft2(dog)
+DOG_magnitude = np.abs(DOG)
+DOG_angle = np.angle(DOG)
+
+mix1 = CAR_magnitude * np.exp(1j * DOG_angle)
+mix2 = DOG_magnitude * np.exp(1j * CAR_angle)
+
+mix1 = np.fft.ifft2(mix1).astype(np.float32)
+mix2 = np.fft.ifft2(mix2).astype(np.float32)
+
+''' Bild anzeigen '''
+cv2.imshow("car", car)
+cv2.imshow("dog", dog)
+cv2.imshow("mix1", mix1 / np.max(mix1))
+cv2.imshow("mix2", mix2 / np.max(mix2))
+
+cv2.waitKey()

3_Signalorientierte_Bildverarbeitung/ü3/l_c.py

@@ -0,0 +1,25 @@
+import cv2
+import numpy as np
+
+img = cv2.imread("../../data/teppich.png", cv2.IMREAD_GRAYSCALE)
+
+
+''' FFT '''
+IMG = np.fft.fft2(img)
+MAGNITUDE = np.abs(IMG)
+ANGLE = np.angle(IMG)
+
+''' Filter out frequencies '''
+print("Number of frequencies:", MAGNITUDE.shape)
+MAGNITUDE[0:150, 0:150] = 0
+
+
+''' IFFT '''
+IMG = MAGNITUDE * np.exp(1j * ANGLE)
+filtered_image = np.fft.ifft2(IMG).astype(np.float32)
+
+''' Bild anzeigen '''
+cv2.imshow("img", img)
+cv2.imshow("filtered", filtered_image / np.max(filtered_image))
+
+cv2.waitKey(0)