对Lena图像进行以下处理（可使用编程语言自带函数，以实验报告形式提交word文件）：
（1）做傅里叶变换，并显示频谱图像；
（2）使用理想低通滤波器，截止频率半径分别选取10、20、50、80，分别显示对应的滤波后图像，并做简要分析；
（3）使用理想高通滤波器，截止频率半径分别选取10、20、50、80，分别显示对应的滤波后图像，并做简要分析。
累了，自己看吧
高通滤波：边缘提取与增强
低通滤波：边缘平滑
边缘区域的灰度变换加大，也就是频率较高。所以，对于高通滤波，边缘部分将被保留，非边缘部分将被过滤；对于低通滤波，边缘区域将被平滑过渡。
import numpy as npimport cv2import matplotlib.pyplot as plt#(1)做傅里叶变换，并显示频谱图像Lena = cv2.imread('Lena_gray.jpg')img = cv2.cvtColor(Lena, cv2.COLOR_BGR2GRAY)dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)dftshift = np.fft.fftshift(dft)result = 20 * np.log(cv2.magnitude(dftshift[:, :, 0], dftshift[:, :, 1]))plt.subplot(121), plt.imshow(img, cmap='gray')plt.title('original'), plt.axis('off')plt.subplot(122), plt.imshow(result, cmap='gray')plt.title('original'), plt.axis('off')plt.show()#(2)理想高通滤波器（3）理想低通滤波器def IdealHighPassFiltering(f_shift):# 设置滤波半径D0 = 80# 初始化m = f_shift.shape[0]n = f_shift.shape[1]h1 = np.zeros((m, n))x0 = np.floor(m / 2)y0 = np.floor(n / 2)for i in range(m):for j in range(n):D = np.sqrt((i - x0) ** 2 + (j - y0) ** 2)if D >= D0:h1[i][j] = 1result = np.multiply(f_shift, h1)return resultdef IdealLowPassFiltering(f_shift):# 设置滤波半径D0 = 80# 初始化m = f_shift.shape[0]n = f_shift.shape[1]h1 = np.zeros((m, n))x0 = np.floor(m / 2)y0 = np.floor(n / 2)for i in range(m):for j in range(n):D = np.sqrt((i - x0) ** 2 + (j - y0) ** 2)if D <= D0:h1[i][j] = 1result = np.multiply(f_shift, h1)return resultf = np.fft.fft2(img)f_shift = np.fft.fftshift(f)# 理想高通滤波IHPF = IdealHighPassFiltering(f_shift)new_f1 = np.fft.ifftshift(IHPF)new_image1 = np.uint8(np.abs(np.fft.ifft2(new_f1)))plt.subplot(1, 2, 1)plt.imshow(new_image1, 'gray')# 理想低通滤波GLPF = IdealLowPassFiltering(f_shift)new_f2 = np.fft.ifftshift(GLPF)new_image2 = np.uint8(np.abs(np.fft.ifft2(new_f2)))plt.subplot(1, 2, 2)plt.imshow(new_image2, 'gray')plt.show()
