今日份需求：
1，将双通道的神经网络输出进行傅里叶变换，获取频谱图
2，获得频谱图之后将频谱图分离成频率直方图那样的看高低频信息分布情况

我认为傅里叶的频谱图已经能够看出高低频能量的分布，我表示第二条需求我没听过也搞不定，希望有大佬能指引我一下方向，我的做法是直接使用一个高通滤波器和一个低通滤波器看输出，先把第二行空着

代码如下，使用cv2和numpy库带的傅里叶变换函数实现，解析间代码注释

import numpy as np
import matplotlib.pyplot as plt
import cv2

img = cv2.imread(r"E:\dog.png",0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]))

plt.subplot(241), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(242), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
################################################################
###############            进行低通滤波             #############
################################################################
#设置低通滤波器
rows, cols = img.shape
crow,ccol = int(rows/2), int(cols/2) #中心位置
mask = np.zeros((rows, cols, 2), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

#掩膜图像和频谱图像乘积
f = dft_shift * mask
print(f.shape, dft_shift.shape, mask.shape)

#傅里叶逆变换
ishift = np.fft.ifftshift(f)
iimg = cv2.idft(ishift)
res = cv2.magnitude(iimg[:,:,0], iimg[:,:,1])

#显示低通滤波处理图像
plt.subplot(243), plt.imshow(res, 'gray'), plt.title('High frequency graph')
plt.axis('off')
###################################################################



#######################################################################
###################          进行高通滤波         ######################
#######################################################################
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)

#设置高通滤波器
rows, cols = img.shape
crow,ccol = int(rows/2), int(cols/2)
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0

#傅里叶逆变换
ishift = np.fft.ifftshift(fshift)
himg = np.fft.ifft2(ishift)
himg = np.abs(himg)

#显示原始图像和高通滤波处理图像
plt.subplot(244), plt.imshow(himg, 'gray'), plt.title('Low frequency graph')
plt.axis('off')
plt.show()

image.png