3.2 频率域滤波

3.2 频率域滤波

本节摘要：SOURCE 6.1：FFT 把图像变到频率域，**低频=平滑区，高频=边缘**。本节动手 dft、频谱可视化、理想/高斯低通滤波器。

本节导航

1. 用 OpenCV dft 计算并显示对数频谱
2. 构造高斯低通滤波器
3. 解释频域卷积等价空域卷积

一、DFT 流程

import cv2, numpy as np
img = cv2.imread('gray.png', 0).astype(np.float32)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
mag = 20*np.log(cv2.magnitude(dft_shift[:,:,0], dft_shift[:,:,1])+1)
​

中心亮 = 低频（整体亮度）；外围 = 高频（边缘细节）。

二、低通滤波

rows, cols = img.shape
crow, ccol = rows//2, cols//2
mask = np.zeros((rows, cols, 2), np.float32)
r = 30
cv2.circle(mask, (ccol, crow), r, (1,1), -1)
fshift = dft_shift * mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv2.idft(f_ishift)
img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])
​

高斯低通比理想低通无振铃（Gibbs 现象）。

频域低通流程

频域低通流程

三、高通 = 边缘增强

mask = 1 - 低通 保留高频。Canny 前有时先轻度高斯低通抑噪。

四、实验

1. 显示原图与频谱并排
2. 半径 r=10,30,60 低通对比模糊程度
3. 对比理想圆 mask 与高斯 mask 边缘振铃

⚠️ 常见坑：忘记 fftshift — 低频不在中心。

💡 关键直觉：频域滤波适合全局频率选择；空域适合局部核。

一节小结

• DFT 将卷积变乘法
• 低通去噪、高通提边
• 高斯掩膜优于理想掩膜
• 频谱诊断噪声频段

下一节形态学：腐蚀膨胀。

从空间到频率：换个坐标系看图像

频率域滤波的核心思想：任何图像都可以分解成不同频率的正弦波叠加。低频成分对应图像中变化缓慢的区域（大块亮度、渐变背景），高频成分对应快速变化的位置（边缘、纹理、噪声）。傅里叶变换把图像从"像素坐标系"转到"频率坐标系"，频谱图中心是低频、外围是高频。滤波就变成了"按频率做乘法"：低频通过、高频衰减即低通（平滑去噪）；高频通过、低频衰减即高通（提取边缘）。空间域的卷积对应频率域的乘积，这就是"频域滤波等价于空间滤波"的数学本质。

import cv2, numpy as np
# 高通滤波：保留高频，去除低频（等价于边缘增强）
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)
rows, cols = img.shape
crow, ccol = rows//2, cols//2
dft_shift[crow-15:crow+15, ccol-15:ccol+15] = 0   # 抠掉中心低频
f_ishift = np.fft.ifftshift(dft_shift)
img_high = cv2.magnitude(cv2.idft(f_ishift)[:,:,0], cv2.idft(f_ishift)[:,:,1])
​

fftshift 与频谱可视化

DFT 结果默认把零频（直流）放在左上角，fftshift 把低频移到中心，方便观察和构造滤波器。频谱可视化要取幅度取对数（因为直流成分远大于高频，线性显示只能看到一个亮点）。读频谱的经验：中心越亮说明整体亮度越高；有规律的十字亮线说明图像里有规律纹理或周期噪声（如扫描仪的摩尔纹）；周围散布亮点说明有细碎噪声。学会"看频谱"，就能定位噪声来源，从而针对性地设计滤波。

理想低通的振铃问题

理想低通（圆形硬边界）在频域切一刀，反变换回空间域会出现振铃——边缘附近产生一圈圈明暗涟漪（Gibbs 现象）。原因是硬边界在频域对应空间域无限延伸的 sinc 核。高斯低通没有硬边界，过渡平滑，无振铃，实际使用更安全。工程经验：需要保留细节时用高斯低通配合较小 sigma；只想去掉周期性噪声时，可以在频谱上针对性地抠掉对应亮点（陷波滤波），这是频率域比空间域更灵活的地方。

频率域的另一个实用价值是诊断：图像出现规律条纹（如莫尔纹、扫描条纹），在频谱上表现为一对对称亮点，知道噪声的频段位置后，可以直接设计陷波器精准去除，而不影响其他频率成分。这种"先诊断再处理"的能力是频率域独有的，空间域很难做到。

实验方法论：分别用半径 10、30、60 的圆掩膜做低通，观察模糊程度随半径的变化；再用理想圆和高斯两种掩膜对比振铃现象。记录每组的频谱图与输出图，这一组对比实验能把频率域滤波的核心概念全部串起来。

最后补一个计算量的直觉：对整幅图做二维 FFT 再逆变换，计算量远大于一个小卷积核的空间滤波，因此实时系统里频域滤波并不常用。它的价值更多在于"理解原理、分析噪声、设计复杂滤波器"，而日常的平滑和锐化仍交给空间域完成。本节学完，你应当能用一句话总结：空间域卷积与频率域乘法是同一个操作的两面，选哪一面取决于问题是"局部核"好解决还是"全局频率选择"好解决。

补一个实际应用的细节：陷波滤波是频率域最实用的技巧之一——周期性噪声（扫描条纹、电网干扰、CCD 坏行）在频谱上表现为一对对称的亮斑，用高斯陷波器把这两处衰减掉，噪声就被精准消除，而图像其他频率成分几乎不受影响。相比空间域滤波对全图无差别处理，这种"指哪打哪"的能力是频率域不可替代的价值。另外，用频谱诊断图像时，横纵条纹分别对应频谱上垂直和水平方向的亮线，方向是正交的，记住这个对应关系可以快速定位条纹的来源方向。