傅里叶变换：从空域到频域的图像分析【计算机视觉】
- [傅里叶变换 （Fourier transform，FS）](#傅里叶变换 （Fourier transform，FS）)
-
- Ⅰ、引言
-
- [一、空域 vs 频域](#一、空域 vs 频域)
- 二、核心总结
- Ⅱ、数学原理
-
- 一、一维连续傅里叶变换
- 二、二维连续傅里叶变换（图像适配）
- 三、二维离散傅里叶变换（DFT，工程实现）
- 四、核心性质（图像分析常用）
- 五、快速傅里叶变换（FFT）：DFT的工程化高效实现
-
- （1）FFT的核心思想（以一维为例）
- [（2）基-2 FFT（最常用的FFT实现）](#（2）基-2 FFT（最常用的FFT实现）)
- （3）二维FFT（图像处理）
- Ⅲ、代码实现一维/二维傅里叶变换
- Ⅳ、总结
傅里叶变换 （Fourier transform，FS）
傅里叶变换可将图像从空域转为频域，把图像分解为低频（轮廓、背景）与高频（边缘、细节、噪声）分量，是计算机视觉中去噪、压缩、边缘检测、纹理分析的核心基础工具。
注意：本文所有代码均可导入Jupyter Notebook
完整代码仓库地址：🔗 GitHub：https://github.com/KnifeWen007/CV---StudyNotebook
Ⅰ、引言
在计算机视觉领域，我们对图像的直观认知往往停留在空域------ 即像素坐标下的明暗、色彩与形状。但面对去噪、压缩、纹理分析等实际问题时，仅从空域处理往往效率低、效果受限。
傅里叶变换作为连接空域与频域的核心工具，为图像分析提供了全新视角：它将图像拆解为低频（主导整体轮廓）和高频（决定细节 / 噪声）两类分量，让原本复杂的空域操作（如边缘检测、噪声抑制）在频域中变得简单可控。
一、空域 vs 频域
| 对比维度 | 空域（以五大滤波为核心） | 频域（傅里叶变换+频域滤波） |
|---|---|---|
| 操作空间 | 像素空间 (x, y)，直接面向像素点 | 频率空间 (u, v)，面向图像的频率成分 |
| 核心操作 | 小卷积核（3x3/5x5）滑动卷积、局部加权求和 | 与图像等大的频域掩码逐点相乘、全局频率调控 |
| 直观性 | 高，可直接看到卷积核权重、理解局部像素影响 | 低，抽象的频率成分拆解，需理解频谱物理意义 |
| 计算效率 | 小核卷积速度快，适合实时处理 | 小核无优势，超大核（≥100x100）效率碾压空域 |
| 核心应用场景 | 日常去噪、平滑、保边、模糊（如美颜、照片修复） | 去周期性噪声（摩尔纹/扫描线）、超大核滤波、图像压缩 |
| 数学本质 | 局部像素的线性/非线性运算 | 基于卷积定理，等价于空域卷积的全局运算 |
| 工程使用频率 | 绝对主流，OpenCV/深度学习框架高度优化 | 补充手段，仅用于空域无法解决的特殊场景 |
二、核心总结
- 空域是「日常操作」：用小卷积核直接处理像素，直观、高效，覆盖90%的日常图像预处理需求（如均值/高斯/中值等五大滤波）；
- 频域是「特殊工具」：用傅里叶变换拆解频率，精准解决空域搞不定的问题（如周期性噪声），是空域的补充而非替代；
- 数学等价但实现独立：空域卷积 ≈ 频域相乘（卷积定理），但两者无前置依赖，可独立学习、独立使用。
Ⅱ、数学原理
傅里叶变换的核心思想是：任何周期函数都可以分解为无数个不同频率、不同振幅的正弦/余弦函数的叠加；非周期函数（如单张图像）可视为周期趋近于无穷的特殊情况。
对图像而言，我们处理的是二维离散信号，因此先从一维连续傅里叶变换入手（理解核心），再扩展到二维，最后适配图像的离散化场景。
一、一维连续傅里叶变换
对于定义域为全体实数的连续函数 f ( x ) f(x) f(x)（空域信号），其傅里叶变换 F ( ω ) F(\omega) F(ω)（频域信号）定义为：
F ( ω ) = ∫ − ∞ + ∞ f ( x ) e − j ω x d x F(\omega) = \int_{-\infty}^{+\infty} f(x) e^{-j\omega x} dx F(ω)=∫−∞+∞f(x)e−jωxdx
对应的逆变换（从频域转回空域）为：
f ( x ) = 1 2 π ∫ − ∞ + ∞ F ( ω ) e j ω x d ω f(x) = \frac{1}{2\pi} \int_{-\infty}^{+\infty} F(\omega) e^{j\omega x} d\omega f(x)=2π1∫−∞+∞F(ω)ejωxdω
- x x x：空域变量（如一维信号的位置）； ω \omega ω：频率变量（单位：弧度/单位长度），表示信号的振荡快慢；
- j j j：虚数单位（工程中常用 j j j，数学中常用 i i i，满足 j 2 = − 1 j^2=-1 j2=−1）；
- e − j ω x e^{-j\omega x} e−jωx：欧拉公式展开为 cos ( ω x ) − j sin ( ω x ) \cos(\omega x) - j\sin(\omega x) cos(ωx)−jsin(ωx)，本质是「旋转的复向量」，用于提取信号中频率为 ω \omega ω的分量；
- 直观理解： F ( ω ) F(\omega) F(ω) 表示空域信号 f ( x ) f(x) f(x) 中「频率为 ω \omega ω的正弦/余弦分量」的振幅+相位（复数形式）。
二、二维连续傅里叶变换（图像适配）
图像是二维空域信号 f ( x , y ) f(x,y) f(x,y)（ x , y x,y x,y 为像素坐标），其二维傅里叶变换将信号拆解为「水平+垂直」两个方向的频率分量：
正变换（空域→频域）：
F ( u , v ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ f ( x , y ) e − j 2 π ( u x + v y ) d x d y F(u,v) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x,y) e^{-j2\pi(ux + vy)} dxdy F(u,v)=∫−∞+∞∫−∞+∞f(x,y)e−j2π(ux+vy)dxdy
逆变换（频域→空域）：
f ( x , y ) = ∫ − ∞ + ∞ ∫ − ∞ + ∞ F ( u , v ) e j 2 π ( u x + v y ) d u d v f(x,y) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} F(u,v) e^{j2\pi(ux + vy)} dudv f(x,y)=∫−∞+∞∫−∞+∞F(u,v)ej2π(ux+vy)dudv
- u u u：水平方向频率（表示图像在x轴方向的明暗变化快慢）；
- v v v：垂直方向频率（表示图像在y轴方向的明暗变化快慢）；
- F ( u , v ) F(u,v) F(u,v)：频域系数，复数形式，其模长 |F(u,v)| 称为「幅度谱」（表示该频率分量的强度），相位 arg ( F ( u , v ) ) \arg(F(u,v)) arg(F(u,v)) 称为「相位谱」（表示该频率分量的位置信息）；
- 物理意义：
- 低频分量（ u , v u,v u,v 趋近于0）：对应图像的整体轮廓、背景（变化慢的区域）；
- 高频分量（ u , v u,v u,v 绝对值大）：对应图像的边缘、细节、噪声（变化快的区域）。
三、二维离散傅里叶变换（DFT，工程实现）
实际处理的图像是离散像素矩阵 （如 M × N M \times N M×N 分辨率），无法直接用积分计算，因此需要将连续傅里叶变换离散化，得到「二维离散傅里叶变换（2D-DFT）」：
设图像像素矩阵为 f ( x , y ) f(x,y) f(x,y)，其中 x = 0 , 1 , . . . , M − 1 x=0,1,...,M-1 x=0,1,...,M−1， y = 0 , 1 , . . . , N − 1 y=0,1,...,N-1 y=0,1,...,N−1，其2D-DFT为：
F ( u , v ) = 1 M N ∑ x = 0 M − 1 ∑ y = 0 N − 1 f ( x , y ) e − j 2 π ( u x M + v y N ) F(u,v) = \frac{1}{\sqrt{MN}} \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x,y) e^{-j2\pi(\frac{ux}{M} + \frac{vy}{N})} F(u,v)=MN 1x=0∑M−1y=0∑N−1f(x,y)e−j2π(Mux+Nvy)
逆离散傅里叶变换（IDFT）：
f ( x , y ) = 1 M N ∑ u = 0 M − 1 ∑ v = 0 N − 1 F ( u , v ) e j 2 π ( u x M + v y N ) f(x,y) = \frac{1}{\sqrt{MN}} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u,v) e^{j2\pi(\frac{ux}{M} + \frac{vy}{N})} f(x,y)=MN 1u=0∑M−1v=0∑N−1F(u,v)ej2π(Mux+Nvy)
工程简化与关键说明
-
归一化系数 ： 1 M N \frac{1}{\sqrt{MN}} MN 1 是归一化项，不同库（如OpenCV、NumPy）的实现可能将其拆分到正/逆变换中（如NumPy的
fft.2d无归一化，fft.ifft2会自动归一化），不影响频率分析核心； -
快速傅里叶变换（FFT） ：直接计算2D-DFT的时间复杂度为 O ( M 2 N 2 ) O(M^2N^2) O(M2N2)，工程中使用快速傅里叶变换（FFT） 优化，时间复杂度降至 O ( M N log ( M N ) ) O(MN\log(MN)) O(MNlog(MN))，是实际开发的必用方法；
-
频谱中心化：DFT的结果中，低频分量集中在频谱的四个角落，工程中会通过「平移操作」将低频移到中心（便于观察和滤波），公式为：
F s h i f t ( u , v ) = F ( ( u − M / 2 ) % M , ( v − N / 2 ) % N ) F_{shift}(u,v) = F((u-M/2)\%M, (v-N/2)\%N) Fshift(u,v)=F((u−M/2)%M,(v−N/2)%N)
（ % \% % 为取模运算，实现循环平移）；
-
幅度谱可视化 ：幅度谱的数值范围极大（低频幅度远大于高频），直接显示会丢失细节，通常取对数缩放：
∣ F s h i f t ( u , v ) ∣ l o g = log ( 1 + ∣ F s h i f t ( u , v ) ∣ ) |F_{shift}(u,v)|{log} = \log(1 + |F{shift}(u,v)|) ∣Fshift(u,v)∣log=log(1+∣Fshift(u,v)∣)
四、核心性质（图像分析常用）
傅里叶变换的性质是频域处理的核心依据，以下是计算机视觉中最常用的3个：
| 性质 | 数学表达（空域→频域） | 图像场景解读 |
|---|---|---|
| 卷积定理 | f ( x , y ) ∗ g ( x , y ) ⇔ F ( u , v ) ⋅ G ( u , v ) f(x,y) * g(x,y) \Leftrightarrow F(u,v) \cdot G(u,v) f(x,y)∗g(x,y)⇔F(u,v)⋅G(u,v) | 空域卷积（如滤波）= 频域逐点相乘，超大核滤波时频域更高效 |
| 平移不变性 | f ( x − x 0 , y − y 0 ) ⇔ F ( u , v ) e − j 2 π ( u x 0 M + v y 0 N ) f(x-x_0,y-y_0) \Leftrightarrow F(u,v) e^{-j2\pi(\frac{ux_0}{M}+\frac{vy_0}{N})} f(x−x0,y−y0)⇔F(u,v)e−j2π(Mux0+Nvy0) | 图像平移仅改变相位谱，幅度谱不变 |
| 对称性 | 若 f ( x , y ) f(x,y) f(x,y)为实数（图像像素），则 F ( u , v ) = F ∗ ( − u , − v ) F(u,v) = F^*(-u,-v) F(u,v)=F∗(−u,−v) | 幅度谱关于中心对称，可减少计算量 |
注： ∗ * ∗ 表示卷积运算， ⋅ \cdot ⋅ 表示逐点相乘， F ∗ F^* F∗ 表示复数共轭。
五、快速傅里叶变换（FFT）：DFT的工程化高效实现
快速傅里叶变换（Fast Fourier Transform, FFT）并非新的数学变换，而是DFT的快速计算算法，核心是通过「分治思想」将高复杂度的DFT计算拆解为低复杂度的子问题，是数字信号处理（包括图像频域分析）中不可或缺的工程技术。
（1）FFT的核心思想（以一维为例）
DFT的时间复杂度为 O ( N 2 ) O(N^2) O(N2)（ N N N 为信号长度），当 N N N 较大时（如图像边长1000），直接计算几乎不可行。FFT的优化思路是：
- 分治拆分 ：将长度为 N N N（满足 N = 2 k N=2^k N=2k，即2的整数次幂）的离散信号，按奇偶下标拆分为两个长度为 N / 2 N/2 N/2 的子信号；
- 递归计算：对两个子信号分别计算DFT（子问题）；
- 蝶形合并 ：利用复指数函数的周期性（ e − j 2 π n / N = e − j 2 π ( n + N ) / N e^{-j2\pi n/N} = e^{-j2\pi (n+N)/N} e−j2πn/N=e−j2π(n+N)/N）和对称性，将子问题的结果合并为原信号的DFT结果，合并过程仅需 O ( N ) O(N) O(N) 操作。
通过上述拆分-递归-合并，FFT的时间复杂度从 O ( N 2 ) O(N^2) O(N2) 降至 O ( N log 2 N ) O(N\log_2 N) O(Nlog2N)，以 N = 1024 N=1024 N=1024 为例：
- DFT计算量： 1024 2 = 1 , 048 , 576 1024^2 = 1,048,576 10242=1,048,576 次运算
- FFT计算量： 1024 × 10 = 10 , 240 1024 \times 10 = 10,240 1024×10=10,240 次运算（仅为DFT的1%）
（2）基-2 FFT（最常用的FFT实现）
工程中最常用的是「基-2 FFT」，要求信号长度 N = 2 k N=2^k N=2k（若不满足，可通过补零填充至最近的2的幂次），其核心递推公式为：
设离散信号 x [ 0 , 1 , . . . , N − 1 ] x[0,1,...,N-1] x[0,1,...,N−1]，其DFT为 X [ 0 , 1 , . . . , N − 1 ] X[0,1,...,N-1] X[0,1,...,N−1]，拆分后：
- 偶下标子信号： x e [ m ] = x [ 2 m ] , m = 0 , 1 , . . . , N / 2 − 1 x_e[m] = x[2m],\ m=0,1,...,N/2-1 xe[m]=x[2m], m=0,1,...,N/2−1，DFT为 X e [ k ] X_e[k] Xe[k]
- 奇下标子信号： x o [ m ] = x [ 2 m + 1 ] , m = 0 , 1 , . . . , N / 2 − 1 x_o[m] = x[2m+1],\ m=0,1,...,N/2-1 xo[m]=x[2m+1], m=0,1,...,N/2−1，DFT为 X o [ k ] X_o[k] Xo[k]
则原信号的DFT可通过子信号DFT合并得到（蝶形运算）：
X [ k ] = X e [ k ] + W N k ⋅ X o [ k ] , k = 0 , 1 , . . . , N / 2 − 1 X[k] = X_e[k] + W_N^k \cdot X_o[k],\ k=0,1,...,N/2-1 X[k]=Xe[k]+WNk⋅Xo[k], k=0,1,...,N/2−1
X [ k + N / 2 ] = X e [ k ] − W N k ⋅ X o [ k ] , k = 0 , 1 , . . . , N / 2 − 1 X[k+N/2] = X_e[k] - W_N^k \cdot X_o[k],\ k=0,1,...,N/2-1 X[k+N/2]=Xe[k]−WNk⋅Xo[k], k=0,1,...,N/2−1
其中 W N k = e − j 2 π k / N W_N^k = e^{-j2\pi k/N} WNk=e−j2πk/N 称为「旋转因子」，是FFT简化计算的核心。
（3）二维FFT（图像处理）
图像是二维离散信号，二维FFT的实现基于「分离性」：
- 对图像的每一行分别做一维FFT；
- 对第一步结果的每一列 分别做一维FFT；
最终得到二维频域矩阵。
二维FFT的时间复杂度为 O ( M N ( log 2 M + log 2 N ) ) O(MN(\log_2 M + \log_2 N)) O(MN(log2M+log2N))（ M × N M \times N M×N 为图像尺寸），远低于直接计算二维DFT的 O ( M 2 N 2 ) O(M^2N^2) O(M2N2)。
Ⅲ、代码实现一维/二维傅里叶变换
一、一维傅里叶变换部分
- 信号生成 ：
手动构造了由「50Hz低频正弦波（振幅2）+ 200Hz高频正弦波（振幅1）+ 少量随机噪声」组成的一维时域信号。该信号模拟了现实中常见的"多频率混合线性信号"（如音频、传感器数据），其中噪声的加入更贴近真实场景，而非理想的纯周期信号。 - 核心操作 ：
np.fft.fft()：调用NumPy优化后的快速傅里叶变换（FFT）算法，将时域信号转换为复数形式的频域信号（复数的模表示频率分量的强度，相位表示位置信息）；np.fft.fftfreq()：根据采样点数和采样频率，自动生成与频域结果一一对应的频率轴（单位：Hz），解决"频域结果不知道对应多少频率"的可视化问题；np.fft.ifft()：执行逆傅里叶变换，将频域信号转回时域，验证傅里叶变换的可逆性（工程上误差可忽略）。
- 可视化逻辑 ：
- 时域可视化：仅展示前200个采样点，避免1024个点全部绘制导致波形重叠、无法看清细节；
- 频域可视化：仅展示正频率部分（负频率是正频率的共轭对称分量，无实际物理意义，可省略），并限定0-300Hz显示范围，聚焦我们构造的50Hz/200Hz核心频率峰值，过滤无关频率干扰。
python
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
# 1. 生成一维混合信号（低频+高频+噪声）
N = 1024 # 采样点数量
Fs = 1000 # 采样频率（Hz）
t = np.linspace(0, 1, N, endpoint=False) # 时间轴：0~1秒
# 构造信号：50Hz低频 + 200Hz高频 + 少量噪声
signal_low = 2 * np.sin(2 * np.pi * 50 * t) # 低频分量（振幅2）
signal_high = 1 * np.sin(2 * np.pi * 200 * t) # 高频分量（振幅1）
signal = signal_low + signal_high + 0.5 * np.random.randn(N)
# 2. 执行一维FFT
fft_result = np.fft.fft(signal)
freq = np.fft.fftfreq(N, 1/Fs)
amplitude = np.abs(fft_result)
# 3. 可视化空域+频域结果
plt.figure(figsize=(12, 5))
plt.subplot(1, 2, 1)
plt.plot(t[:200], signal[:200], color='#2E86AB')
plt.title('1D Signal (Spatial Domain)')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.grid(True, alpha=0.3)
plt.subplot(1, 2, 2)
positive_idx = freq >= 0
plt.plot(freq[positive_idx], amplitude[positive_idx], color='#A23B72')
plt.xlim(0, 300)
plt.title('1D FFT (Frequency Domain)')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# 4. 逆FFT验证（还原信号）
ifft_result = np.fft.ifft(fft_result)
error = np.mean((np.real(ifft_result) - signal)**2)
print(f"逆变换与原信号均方误差：{error:.8f}")
二、二维傅里叶变换（baboon.bmp）部分
python
import numpy as np
import matplotlib.pyplot as plt
import cv2
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
img_path = "baboon.bmp"
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
if img is None:
raise ValueError("""
图片读取失败！请检查：
1. baboon.bmp 是否在当前Notebook同一文件夹下；
2. 文件名是否拼写正确（区分大小写，如Baboon.bmp≠baboon.bmp）；
3. 图片是否损坏（可尝试重新下载baboon.bmp测试图）。
""")
# 归一化到0-1范围（消除像素值255的量级影响）
img = img / 255.0
python
# 2. 执行二维FFT + 频谱中心化（核心步骤）
fft2_result = np.fft.fft2(img)
fft2_shift = np.fft.fftshift(fft2_result)
# 3. 频域幅度谱处理（对数缩放，可视化关键）
amplitude = np.abs(fft2_shift)
amplitude_log = np.log(1 + amplitude)
fft2：把「看得见的图像（空域）」转成「看不见的频率数据（频域）」
fftshift：默认低频在四角，移到中心后更易观察
np.abs：取复数矩阵的模长，得到能可视化的幅度谱对数缩放：原始幅度谱低频极亮、高频全黑，缩放后能看清高频细节
python
# 4. 逆FFT还原图像（验证可逆性）
ifft2_shift = np.fft.ifftshift(fft2_shift)
ifft2_result = np.fft.ifft2(ifft2_shift)
img_recon = np.real(ifft2_result) 先逆中心化：把移到中心的频谱还原回原始位置
逆傅里叶变换：把频域数据转回图像形式
取实部：浮点运算会产生微小虚部（无物理意义），只保留实部就是还原的图像
python
# 5. 可视化结果（原图+频域+还原图）
plt.figure(figsize=(18, 6))
plt.subplot(1, 3, 1)
plt.imshow(img, cmap='gray')
plt.title('原始 baboon.bmp 图像（空域）', fontsize=12)
plt.axis('off')
plt.subplot(1, 3, 2)
plt.imshow(amplitude_log, cmap='gray')
plt.title('二维傅里叶变换（对数缩放幅度谱）', fontsize=12)
plt.axis('off')
plt.subplot(1, 3, 3)
plt.imshow(img_recon, cmap='gray')
plt.title('逆变换还原图像（IFFT）', fontsize=12)
plt.axis('off')
plt.tight_layout()
plt.show()
# 输出还原误差（数值越小越精准）
error = np.mean((img_recon - img)**2)
print(f"逆变换与baboon.bmp原图的均方误差：{error:.10f}")
三、频域滤波
核心思想：在频率空间筛选图像的高低频分量，实现模糊/边缘提取等效果
图像读取与预处理
| 操作步骤 | 代码逻辑 | 核心目的 |
|---|---|---|
| 读取图像 | cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) |
强制转为单通道灰度图，规避彩色通道干扰 |
| 异常判断 | if img is None: raise ValueError(...) |
排查路径错误、文件名错误、图片损坏等新手常见问题 |
| 归一化 | img = img / 255.0 |
将像素值从0-255缩至0-1，消除数值量级对计算的影响 |
傅里叶变换（空域→频域）
- 二维FFT ：
np.fft.fft2(img)
→ 把「看得见的空域图像」转为「复数形式的频域矩阵」，每个元素对应一组频率分量 - 频谱中心化 ：
np.fft.fftshift(fft2_result)
→ 把默认分布在四角的低频分量移至中心，方便后续滤波操作
滤波掩码构建（核心操作）
| 滤波器类型 | 构建逻辑 | 作用原理 |
|---|---|---|
| 低通滤波器 | 全0矩阵 + 中心50×50区域设为1 | 保留低频（图像轮廓），过滤高频（细节/边缘）→ 图像模糊 |
| 高通滤波器 | 全1矩阵 + 中心50×50区域设为0 | 过滤低频（轮廓），保留高频（边缘/纹理）→ 提取边缘 |
5. 频域滤波 + 逆变换（频域→空域）
- 频域相乘 ：
fft2_shift * 掩码
→ 逐元素相乘，筛选出掩码为1的频率分量（核心滤波动作） - 逆中心化 ：
np.fft.ifftshift(...)
→ 把中心化的频域矩阵还原为FFT原始格式 - 逆FFT ：
np.fft.ifft2(...)
→ 将滤波后的频域数据转回空域 - 取实部 ：
np.real(...)
→ 忽略浮点运算产生的微小虚部误差，得到最终滤波图像
python
import numpy as np
import matplotlib.pyplot as plt
import cv2
# 中文显示配置
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 1. 读取并预处理图像
img_path = "baboon.bmp"
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
if img is None:
raise ValueError("图片读取失败，请检查路径/文件！")
img = img / 255.0 # 归一化到0-1
# 2. 二维FFT + 频谱中心化
fft2_result = np.fft.fft2(img) # 二维快速傅里叶变换
fft2_shift = np.fft.fftshift(fft2_result) # 频谱中心化
# 3. 构建频域滤波器
rows, cols = img.shape
crow, ccol = rows // 2, cols // 2 # 频域中心
# 3.1 低通滤波器（保留低频，模糊图像）
low_pass_mask = np.zeros((rows, cols), np.float32)
low_pass_mask[crow-25:crow+25, ccol-25:ccol+25] = 1 # 中心50x50区域保留
# 3.2 高通滤波器（保留高频，提取边缘）
high_pass_mask = np.ones((rows, cols), np.float32)
high_pass_mask[crow-25:crow+25, ccol-25:ccol+25] = 0 # 中心50x50区域屏蔽
# 4. 频域滤波 + 逆变换
# 低通滤波
fft2_low = fft2_shift * low_pass_mask
ifft2_low = np.fft.ifft2(np.fft.ifftshift(fft2_low))
img_low = np.real(ifft2_low)
# 高通滤波
fft2_high = fft2_shift * high_pass_mask
ifft2_high = np.fft.ifft2(np.fft.ifftshift(fft2_high))
img_high = np.real(ifft2_high)
# 5. 可视化对比
plt.figure(figsize=(20, 8))
# 原始图像
plt.subplot(2, 3, 1)
plt.imshow(img, cmap='gray')
plt.title('1. 原始图像', fontsize=12)
plt.axis('off')
# 频域幅度谱
plt.subplot(2, 3, 2)
amplitude_log = np.log(1 + np.abs(fft2_shift))
plt.imshow(amplitude_log, cmap='gray')
plt.title('2. 频域幅度谱', fontsize=12)
plt.axis('off')
# 低通滤波掩码
plt.subplot(2, 3, 3)
plt.imshow(low_pass_mask, cmap='gray')
plt.title('3. 低通滤波掩码', fontsize=12)
plt.axis('off')
# 低通滤波结果
plt.subplot(2, 3, 4)
plt.imshow(img_low, cmap='gray')
plt.title('4. 低通滤波后（模糊）', fontsize=12)
plt.axis('off')
# 高通滤波掩码
plt.subplot(2, 3, 5)
plt.imshow(high_pass_mask, cmap='gray')
plt.title('5. 高通滤波掩码', fontsize=12)
plt.axis('off')
# 高通滤波结果
plt.subplot(2, 3, 6)
plt.imshow(img_high, cmap='gray')
plt.title('6. 高通滤波后（边缘）', fontsize=12)
plt.axis('off')
plt.tight_layout()
plt.show()
Ⅳ、总结
本次实践完整覆盖一维/二维傅里叶变换 与频域滤波全流程，从基础变换原理到实际滤波应用，核心知识点与操作逻辑梳理如下：
傅里叶变换（一维/二维）
傅里叶变换的本质是将信号/图像从「时域/空域」转换为「频域」，不同维度的变换适配不同数据类型，核心特征统一：
| 维度 | 适用场景 | 核心操作 | 核心价值 |
|---|---|---|---|
| 一维傅里叶变换 | 一维信号（如波形、序列） | np.fft.fft()+np.fft.fftshift() |
拆解信号的频率成分（如基波、谐波） |
| 二维傅里叶变换 | 二维图像（如灰度图） | np.fft.fft2()+np.fft.fftshift() |
拆分图像的低频（轮廓）/高频（边缘） |
| 通用特征 | - | 逆变换（ifft/ifft2）可还原原始数据 |
频域分析+处理后，能无损失转回原域 |
频域滤波核心应用（基于二维变换）
频域滤波是傅里叶变换的核心落地场景，通过「掩码筛选频率分量」实现图像的差异化处理：
| 滤波类型 | 频率筛选规则 | 空域效果 | 典型应用 |
|---|---|---|---|
| 低通滤波 | 保留频域中心低频，屏蔽高频 | 图像模糊，仅保留整体轮廓 | 图像去噪、平滑处理 |
| 高通滤波 | 屏蔽频域中心低频，保留高频 | 提取边缘/纹理，丢失整体轮廓 | 边缘检测、特征提取 |
- 预处理统一要求 ：
- 一维信号：数值归一化，消除量级影响；
- 二维图像：灰度化（单通道）+ 归一化，简化多通道计算、稳定变换结果。
- 频谱中心化 ：
一维/二维均需通过fftshift将低频分量移至中心，解决默认低频分散在两端/四角、难以观察和处理的问题。 - 可逆性验证 ：
一维/二维逆变换（ifftshift+ifft/ifft2）后，取实部可还原原始数据，均方误差量级达10⁻⁸~10⁻¹²，证明变换无信息丢失。
傅里叶变换是信号处理、图像处理的核心底层算法，一维适配序列/波形分析，二维适配图像分析；
频域滤波是低通/高通、去噪/边缘检测等任务的基础，可扩展为高斯、巴特沃斯等更复杂的滤波器；
掌握「变换→滤波→逆变换」的闭环逻辑，是理解图像压缩、特征提取等高级算法的关键。
上一章
下一章
小波变换：多分辨率分析与图像小波去噪 / 增强 / 融合【计算机视觉】https://blog.csdn.net/R_Feynman_/article/details/158892445