halcon的频域图像处理

频率特征是图像的灰度变化特征，低频特征是灰度变化不明显，例如图像整体轮廓，高频特征是图像灰度变化剧烈，如图像边缘和噪声。

一个重要的经验结论：低频代表图像整体轮廓，高频代表了图像噪声，中频代表图像边缘、纹理等细节。什么时候使用傅里叶变换进行频域分析？
1、具有一定纹理特征的图像，纹理可以理解为条纹，如布匹、木板、纸张等材质容易出现。
2、需要提取对比度低或者信噪比低的特征。
3、图像尺寸较大或者需要与大尺寸滤波器进行计算，此时转换至频域计算，具有速度优势。因为空间域滤波为卷积过程（加权求和），频域计算直接相乘。
在halcon中，使用频域进行检测，有两个步骤是比较关键的：①生成合适的滤波器；②空间域和频域之间的转换。
1、高通滤波法

图像中的边缘或细条等细节部分与图像频谱的高频分量相对应，因此采用高通滤波让高频分量顺利通过，使图像的边缘或细条等细节变得清楚，实现图像的锐化。高通滤波可用空频法或频域法来实现。在空间域是用卷积方法，与空域低通滤波的邻域平均法类似，不过其中的冲激响应方阵H不同。

• gen_gauss_filter— 在频域生成高斯滤波器

gen_gauss_filter( : ImageGauss : Sigma1, Sigma2, Phi, Norm, Mode, Width, Height : )

参数：
ImageGauss（out） ：生成的滤波器图像
Sigma1：空域（像素域）中，高斯分布在滤波器主方向的标准差
Sigma2：空域（像素域）中，高斯分布在垂直于滤波器主方向的标准差。注：Sigma1和Sigma2确定空间域内高斯函数的平滑量
Phi：滤波器在空间域的主要方向
Norm：滤波器的归一化因子。注：如果使用fft_image和fft_image_inv进行过滤，必须设置参数Norm = 'none’和Mode = ‘dc_center’（本文未使用）
Mode：频率图中心位置。注： 如果使用实值快速傅里叶变换算子rft_generic, 则Mode = ‘rft’ ；如果使用快速傅里叶变换算子fft_generic，则可以使用Mode = 'dc_edge’来提高效率
Width, Heigh：生成滤波图像的宽、高
原理：首先产生一个高斯核，然后根据输入的参数对这个高斯核矩阵做傅里叶变换（实现从空域或时域到频域的转换工具），得到特定模式和特定分辨率的所谓频域的滤波器，例如我要进行rft_generic的变换，那么我的高斯滤波器模式就要写为‘rft’。并通过设置参数保持频域滤波器和原图像一致。

• rft_generic— 计算图像的实值快速傅里叶变换，一般需要使用两次，因为在频域处理完之后，还需要转换成空间域。

rft_generic(Image : ImageFFT : Direction, Norm, ResultType, Width : ) 

参数：
Image：输入图像
ImageFFT（out） ：傅里叶变换输入图像
Direction：计算正向或反向变换。‘to_freq’是空间域—>频域的变换，ResultType一般选择’complex’；‘from_freq’是频域—>空间域的变换，ResultType一般选择’byte’(灰度图像)。
Norm：变换的归一化因子
ResultType：输出图像的图像类型，配合Direction参数设置
Width ：输入图像的宽度

原理：其实gen_gauss_filter得到的滤波器，就是一个图像，虽然是频域滤波器，但是单纯看物理意义，他就是一个图像。与时域空间卷积核的物理意义是相同的。对这幅频域图进行卷积（卷积过程与时域无差别），卷积之后图像就产生了变化，比如外环得到减弱，内环得到保留（高低通滤波器的效果），或者在某个方向上得到保留（gabor滤波器的效果），再还原到时域，发现跟原图变化很大。

• convol_fft— 在频域用滤波器对图像进行卷积

convol_fft(ImageFFT, ImageFilter : ImageConvol : : ) 

原理：将复合图像ImageFFT的像素乘以滤波图像滤波器的对应像素。

效果：

read_image (Image, 'C:/Users/Administrator/Desktop/1.png')
get_image_size (Image, Width, Height)
*在频域中生成高斯滤波器
gen_gauss_filter (ImageGauss, 100, 100, 0, 'n', 'rft', Width, Height)
*对图像进行傅里叶变换
rft_generic (Image, ImageFFT, 'to_freq', 'none', 'complex', Width)
*对傅里叶图像做卷积，使用之前创建的高斯滤波器作为卷积核
convol_fft (ImageFFT, ImageGauss, ImageConvol)
*将卷积后的傅里叶图像还原为空间域图像。可见图像的突变部分得到了增强
rft_generic (ImageConvol, ImageFFT1, 'from_freq', 'none', 'byte', Width)
sub_image (Image, ImageFFT1, ImageSub, 5, 100)
*对图像进行缩放，一般图像特别大的时候，缩放一下，提取效果会更好
zoom_image_factor (ImageSub, ImageZoomed, 0.4, 0.4, 'constant')
*将图像中的有灰度差异的线条提取出来
lines_gauss (ImageZoomed, Lines1, 0.2, 3, 8, 'light', 'true', 'gaussian', 'true')

注：当图像质量不理想时，提取线条的效果不好时，不妨试试这种方法，亲测效果很好。