【图像与视频处理】什么是图像的频率？

在图像处理中，"频率"并不指代时间上的快慢，而是指空间频率（Spatial Frequency） 。它定义的是图像像素灰度值随空间位置变化的剧烈程度。

低频（Low Frequency）：
- 定义： 图像中灰度值变化缓慢、平坦的区域。
- 对应内容： 图像的大致轮廓、连片的背景（如蓝天、草地）、柔和的渐变。
- 视觉感受： 决定了图像的整体亮度分布和基本结构。
高频（High Frequency）：
- 定义： 图像中灰度值变化剧烈、迅速的区域。
- 对应内容： 物体的边缘、精细的纹理（如发丝、布料纤维）、突发的细节，以及图像中的随机噪声。
- 视觉感受： 决定了图像的清晰度和锐利度。

中心区域：通常代表低频部分。如果图像是一片死黑或全白，能量会极度集中在中心点。

边缘区域：代表高频部分。离中心越远，频率越高。

坐标轴的定义

如果一张图是纯黑色：
- 平均亮度 = 0。
- 由于没有任何变化，所有频率的振幅都是 0。
- 频谱图：全黑。
如果一张图是纯白色：
- 平均亮度 = 255（最大值）。
- 由于没有任何变化，所有高频振幅依然是 0。
- 频谱图：只有最中心的一个点极亮，其余地方全黑

特性的使用：

光照归一化： 如果我们想让模型不受环境光（整体变亮或变暗）的影响，有一种简单的方法就是直接把频谱图中心那个点的数值设为 0。这样图像就失去了整体亮度信息，只剩下了结构信息。
图像压缩： 既然自然图像的大部分能量都在这个中心点（平均亮度），我们只需要高精度保存中心点，四周的微小高频信息可以适当丢弃

图像压缩（JPEG）：

假设我们把这 8x8 的像素块转换到频率域，得到了 64 个频率系数：

图像压缩之所以敢丢弃信息，是因为人类的眼睛对高频细节并不敏感。

这是最关键的"丢弃"动作。我们会准备一个量化矩阵，用来除以频率域的系数。

结果： 转换后的 64 个数字里，原本右下角那些零碎的小数，全部变成了 0。

现在，这 8x8 块的频率数据变成了这样： [24, 2, 1, 0, 0, 0, 0, 0, ...... 0]

在计算机存储时，我们不再需要存 64 个不同的数字。我们只需要存："数字 24，数字 2，数字 1，后面跟着 61 个零"。 这种极其简单的描述方式，占用的空间微乎其微。

当你打开图片时，计算机会执行逆变换：

这就是为什么当你把 JPEG 压缩率调得极高时，图片会出现**"方块效应"**（马赛克）------因为高频的细节全被当成 0 丢掉了，剩下的全是代表大块颜色的低频分量。

直接在图像像素上移动一个"模板"（Kernel），通过加权求和来改变中心像素的值。

均值滤波 (Mean Filter)
- 原理：取邻域像素的平均值。
- 用途：最简单的平滑处理。
- 缺点：在去噪的同时会严重模糊边缘。
高斯滤波 (Gaussian Filter)
- 原理：权重符合高斯分布（中间高、四周低）。
- 公式：
- 用途：去除高斯噪声的标准手段，比均值滤波更自然地保留图像结构。

中值滤波 (Median Filter)
- 原理：取邻域像素的中位数。
- 全能王 ：它是去除"椒盐噪声"（图像上随机出现的白点黑点）的神器。
- 优点：能极好地保护边缘不被模糊。
双边滤波 (Bilateral Filter)
- 原理：同时考虑空间距离 和像素值差异（颜色接近才参与平滑）。
- 用途：美颜磨皮的核心算法。它能在磨平皮肤（平坦区）的同时，绝对不模糊五官边缘。

通过傅里叶变换进入频域，修改频谱后再反变换回来。

低通滤波器 (LPF)：
- 理想低通：一刀切，会有严重的振铃（波纹）。
- 巴特沃斯低通：平滑过渡，阶数可控（你之前问过的）。
- 高斯低通：完全没有振铃，效果最柔和。
高通滤波器 (HPF)：
- 用途：提取边缘、锐化图像。
- Sobel/Prewitt 算子：计算梯度，常用于检测水平或垂直边缘。
- 拉普拉斯算子 (Laplacian)：二阶导数，对细节极其敏感，常用于增强图像的突变部分。

应用场景

核心思想

传递函数通常定义为系统输出的拉普拉斯变换（或傅里叶变换）与输入的拉普拉斯变换之比，且假设所有初始条件为零。

巴特沃斯和维纳滤波器，这两个本质上都是频率域的传递函数