简介面向图像处理初学者与OpenCV实践者的频率域低通滤波练习包聚焦高斯、理想与巴特沃斯三种滤波器的实现与对比。内容围绕离散傅里叶变换、频域滤波核构造、逆变换及结果归一化展开可用于理解高频噪声抑制、图像平滑与边缘保持之间的差异适合课程实验或自学练手。压缩包共8个文件约86KB包含cpp源码、dsp/dsw等工程配置及bmp测试图像工程可直接载入VC环境复现实验。已有2155人学习读者可据此对照三种滤波器的频域响应与输出效果掌握在OpenCV中自定义滤波核、完成DFT到IDFT完整链路的思路并借助测试图观察不同截止频率下的平滑表现。1. 频率域滤波在 OpenCV 里到底解决什么问题从一张周期条纹图说起OpenCV 里的频率域滤波说白了就是把图像从像素空间搬到频域在频谱上按距离衰减或保留分量再搬回来。高斯、理想、巴特沃斯三种低通/高通滤波器是最常被拿来对比的一组。某图像处理 Demo 里有一张带周期条纹的纹理图空间域均值滤波一上去条纹淡了边缘也糊了换成频域低通或陷波只切掉那几个亮点纹理边缘还能保住。这就是频率域滤波适合的场景周期噪声、规则纹理、需要按频率而不是按邻域做取舍的图像。读者如果是做缺陷检测、纹理分析、扫描件去网纹或者只想把 OpenCV 的 dft 用明白下面这套流程可以直接跑。参数不会一次就准D0 和阶数得边看频谱边调。2. 从空间到频域DFT 填充、频谱中心化与三种滤波器传递函数频率域滤波的骨架不复杂图像做二维离散傅里叶变换得到复数频谱在频谱上乘一个滤波器 H再做逆变换回到空域。真正让结果翻车的往往不是公式而是填充尺寸、中心化原点和 H 的构造顺序。OpenCV 的cv2.dft输出的是双通道复数未中心化很多人直接拿它和以左上角为原点的距离图相乘最后图像错位还找不到原因。下面先把三个前置动作拆清楚再给三种滤波器的可执行构造代码。2.1 为什么先做 getOptimalDFTSize 填充边界环绕与频谱泄漏cv2.dft对尺寸不是任意值都高效常见做法是先算cv2.getOptimalDFTSize(rows)和cv2.getOptimalDFTSize(cols)把图像补到这两个尺寸。填充不只是为了快更重要的是抑制边界环绕。二维 DFT 默认把图像当成周期信号左边缘和右边缘会被接在一起如果原图边缘亮度差很大频谱里会出现本不属于图像内容的十字亮线低通滤波后边缘出现一圈伪影。用BORDER_REFLECT做镜像填充能让边界过渡更自然逆变换后裁掉填充区即可。填充宽度和高度要分别记录。裁剪时用原始rows和cols不要用填充后的尺寸。有人把填充后的图直接保存看起来没问题但后续做尺寸对齐或金字塔时全乱。填充还有一个小代价D0 的单位是填充后图像的像素不是原图像素。原图短边 300填充后短边可能到 320D0 设 20 和设 18 的实际截止圈比例不同。调参时先看中心化频谱上的白色亮圈再决定 D0别只盯数字。2.2 fftshift 之后距离图怎么建D(u,v) 的原点必须和频谱中心重合cv2.dft出来的频谱低频在左上角高频分散在四角。为了直观地做圆形低通一般用np.fft.fftshift把零频搬到中心。搬完之后距离图的原点就必须在(rows//2, cols//2)否则你乘上去的 H 是一个偏心圆。常见翻车现象是滤波后图像整体变暗、边缘出现单边亮带或者高频图只剩一个角有内容。原因不是滤波器写错而是 H 的中心和频谱中心差了几个像素。我一般单独写一个distance_grid(rows, cols)用行列索引减中心得到每个频点到中心的欧氏距离。注意rows和cols的顺序OpenCV 图像是(height, width)频谱也是(rows, cols)别把cols传给rows。距离图用float32就够后面和双通道复数相乘时保持类型一致。中心化频谱只用于显示和构造 H逆变换前要用np.fft.ifftshift把零频搬回左上角再交给cv2.idft。这一对 shift 必须成对出现少一步就是错位。2.3 理想、高斯、巴特沃斯低通的传递函数与选型对比三种低通的差别在截止边缘的陡峭程度。理想低通是硬阈值距离小于等于 D0 全保留大于 D0 全砍掉。它的频域边缘是阶跃空域对应 sinc 函数所以振铃最明显。高斯低通的传递函数是exp(-D^2/(2*D0^2))没有硬边缘过渡平滑振铃最小但截止频率附近衰减慢去周期噪声时可能不够干净。巴特沃斯低通是折中1/(1(D/D0)^(2n))阶数 n 越大越接近理想n 越小越接近高斯。实际调参时n 取 2 到 4 最常见再大就开始出现可见振铃。下面这段代码把三种低通和高通都封装成同一套接口。make_filter返回低通 Hmake_highpass用1-H得到高通。D0 的单位是像素n 只对巴特沃斯有效。代码里没有做任何归一化H 的值域保持在[0,1]后面直接和频谱相乘。import cv2 import numpy as np def distance_grid(rows, cols): # 以频谱中心为原点构造每个频点到中心的距离 crow, ccol rows // 2, cols // 2 u np.arange(rows, dtypenp.float32)[:, None] - crow v np.arange(cols, dtypenp.float32)[None, :] - ccol return np.sqrt(u * u v * v) def make_filter(shape, kindgaussian, d030.0, n2): # shape 是 (rows, cols)必须和 fftshift 后的频谱尺寸一致 rows, cols shape d distance_grid(rows, cols) if kind ideal: h (d d0).astype(np.float32) elif kind gaussian: h np.exp(-(d * d) / (2.0 * d0 * d0)).astype(np.float32) elif kind butterworth: h 1.0 / (1.0 (d / d0) ** (2 * n)) h h.astype(np.float32) else: raise ValueError(kind must be ideal/gaussian/butterworth) return h def make_highpass(shape, kindgaussian, d030.0, n2): # 高通 1 - 低通注意保持 float32 return (1.0 - make_filter(shape, kind, d0, n)).astype(np.float32)逻辑说明distance_grid先把行列索引转成以中心为原点的坐标再算欧氏距离make_filter根据kind选择理想、高斯或巴特沃斯公式返回和频谱同尺寸的二维 Hmake_highpass用补集得到高通。参数说明d0是截止频率半径单位是填充后图像的像素常用范围是短边的 1% 到 10%去周期噪声时先看频谱亮点再定n是巴特沃斯阶数取 2 到 4 比较稳n 越大边缘越陡、振铃越明显shape必须传dft_shift.shape[:2]不要传原图尺寸。选型上我一般先用高斯低通看整体趋势因为它不容易翻车如果周期噪声去不干净再换巴特沃斯 n2 或 n3理想低通只在需要做对比实验或做二值化频谱掩膜时用直接拿它做图像恢复边缘亮圈很难避免。高通侧同理高斯高通适合做边缘增强的预处理理想高通适合做频谱分割的可视化巴特沃斯高通在两者之间。滤波器传递函数边缘陡峭度振铃风险常见用途理想低通D D0为 1否则 0最陡最高频谱掩膜实验、对比基线高斯低通exp(-D^2/(2D0^2))最平缓最低去周期噪声、平滑纹理巴特沃斯低通1/(1(D/D0)^(2n))可调中等需要干净截止又不想振铃理想高通1 - 理想低通最陡最高边缘可视化、频域分割高斯高通1 - 高斯低通最平缓最低边缘增强预处理巴特沃斯高通1 - 巴特沃斯低通可调中等纹理增强、缺陷边缘保留提示D0 不要设成 0 或负数巴特沃斯公式里d/d0会直接报错或产生 inf。D0 很小时理想低通只剩中心几个点逆变换后整张图会变成一片灰。3. 用 OpenCV 写出理想、高斯、巴特沃斯滤波最小可复现代码与参数表这一章把流程串成可运行函数。输入一张灰度图输出滤波后的 uint8 图像内部完成归一化、填充、cv2.dft、fftshift、乘 H、ifftshift、cv2.idft、裁剪和截断。低通和高通共用一套代码只改highpass参数。彩色图先转灰度后面单独说彩色通道的处理边界。参数表放在代码后面方便直接抄。3.1 从灰度图到复数频谱OpenCV dft 的最小调用链cv2.dft的输入要求是单通道浮点图。常见做法是先把图像转成float32如果像素值在 0 到 255 之间就除以 255 落到[0,1]。这一步不是必须但后面逆变换、裁剪、截断都在[0,1]域里做参数更直观。然后调用cv2.dft(gray, flagscv2.DFT_COMPLEX_OUTPUT)得到(rows, cols, 2)的双通道数组通道 0 是实部通道 1 是虚部。再用np.fft.fftshift把零频搬到中心得到dft_shift。这里有一个容易忽略的点填充后的尺寸才是dft_shift的尺寸。make_filter的shape必须取dft_shift.shape[:2]不能取原图gray.shape。如果原图 300x400填充后 320x400滤波器却按 300x400 构造相乘时广播会报错或者更隐蔽地按错误中心对齐。频谱显示也用dft_shift用cv2.magnitude取幅值再log1p压缩动态范围最后归一化到 0 到 255。看频谱时重点看中心亮点和四周的周期亮点D0 就是围绕中心画圆。3.2 滤波、逆变换与裁剪DFT_SCALE、clip 和填充宽高怎么处理滤波就是dft_shift * h[..., None]。h是二维频谱是双通道所以给h补一个通道维让实部和虚部乘同一个系数。乘完之后先np.fft.ifftshift把零频搬回左上角再cv2.idft。逆变换的 flags 我一般写cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUTDFT_SCALE让逆变换自带 1/(rows*cols) 的缩放DFT_REAL_OUTPUT直接输出单通道实数省得自己取实部。如果不用DFT_SCALE就得手动除以像素总数否则结果整体亮很多倍。逆变换后得到的是填充尺寸的图用原始rows和cols裁掉右下角的填充区。裁剪完做np.clip(out, 0, 1)再乘 255 转 uint8。不要先cv2.normalize到 0 到 255 再乘 255那是重复缩放结果会全白。也不要对已经 clip 的图再做一次全局归一化否则低通后本来偏暗的区域会被拉亮和高通结果没法比。填充方式用BORDER_REFLECT比默认常量填充更少引入边界亮线如果原图边缘本身很干净BORDER_REPLICATE也能用。3.3 低通与高通共用一套代码H 与 1-H 的切换及参数表下面代码把前面的make_filter接进来。freq_filter里先判断通道数彩色图转灰度再归一化、填充、dft、shift、构造 H、乘、ifftshift、idft、裁剪、截断。highpassTrue时把 H 换成1-H。调用部分用短边 3% 估一个 D0分别跑三种滤波器保存低通、高通和中心化频谱。频谱保存那一段没有填充只用于看中心位置不影响滤波结果。def freq_filter(image, kindgaussian, d030.0, n2, highpassFalse, padTrue): # 彩色图先转灰度灰度图直接进入浮点流程 if image.ndim 3: gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray image gray gray.astype(np.float32) if gray.max() 1.0: gray / 255.0 rows, cols gray.shape if pad: opt_rows cv2.getOptimalDFTSize(rows) opt_cols cv2.getOptimalDFTSize(cols) gray cv2.copyMakeBorder( gray, 0, opt_rows - rows, 0, opt_cols - cols, cv2.BORDER_REFLECT ) else: opt_rows, opt_cols rows, cols dft cv2.dft(gray, flagscv2.DFT_COMPLEX_OUTPUT) dft_shift np.fft.fftshift(dft) h make_filter(dft_shift.shape[:2], kindkind, d0d0, nn) if highpass: h 1.0 - h filtered_shift dft_shift * h[..., None] idft_shift np.fft.ifftshift(filtered_shift) out cv2.idft(idft_shift, flagscv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT) out out[:rows, :cols] out np.clip(out, 0.0, 1.0) return (out * 255.0).astype(np.uint8) def spectrum_u8(dft_shift): # 用于显示中心化频谱不参与滤波 mag cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]) mag np.log1p(mag) mag cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX) return mag.astype(np.uint8) img cv2.imread(texture.png, cv2.IMREAD_GRAYSCALE) h, w img.shape d0 max(8, int(min(h, w) * 0.03)) for kind in (ideal, gaussian, butterworth): low freq_filter(img, kindkind, d0d0, n2, highpassFalse) high freq_filter(img, kindkind, d0d0, n2, highpassTrue) cv2.imwrite(f{kind}_low.png, low) cv2.imwrite(f{kind}_high.png, high) # 单独存一张中心化频谱方便看截止圈位置 dft_raw cv2.dft(img.astype(np.float32) / 255.0, flagscv2.DFT_COMPLEX_OUTPUT) cv2.imwrite(spectrum.png, spectrum_u8(np.fft.fftshift(dft_raw)))逻辑说明freq_filter把图像统一到[0,1]浮点按最优尺寸镜像填充做正变换和中心化make_filter生成低通 Hhighpass为真时用1-H变高通乘完把零频搬回左上角用带DFT_SCALE的逆变换回到空域最后按原始宽高裁剪、截断、转 uint8。spectrum_u8只做显示log1p是为了压住中心低频的超大幅值否则四周细节全黑。参数说明kind取ideal、gaussian、butterworthd0是截止半径单位是填充后像素示例用短边 3%去周期噪声时可以看频谱亮点到中心的距离再微调n只对巴特沃斯生效建议从 2 开始highpass控制低通/高通pad控制是否填充做对比实验时可以关掉但边缘伪影会更多。参数含义常用范围调参依据kind滤波器类型ideal/gaussian/butterworth先高斯看趋势再巴特沃斯收紧d0截止半径单位像素短边的 1% 到 10%中心亮圈到目标亮点的距离n巴特沃斯阶数2 到 4越大越陡振铃越明显highpass低通/高通切换False/True去低频看高通去周期噪声看低通pad是否镜像填充True/False边缘亮线明显时保持 True彩色图不要直接三通道分别滤波后合并。三个通道的相位和能量变化不一致合并后容易出现色偏尤其是低通把某个通道的高频砍多了边缘会出现彩色描边。常见做法是转 HSV 只处理 V 通道或者转 Lab 只处理 L 通道再转回 BGR。如果确实要在 BGR 上做三个通道必须用同一个 H并且保留原始相位不要对每个通道单独调 D0。4. 频率域滤波的避坑排查振铃、频谱泄漏、填充与归一化翻车记录频率域滤波的代码通常不长但失败现象很集中全黑、全白、边缘亮圈、图像错位、周期噪声去不干净、彩色图偏色。下面五条是血泪经验里出现频率最高的每条按现象、原因、解决写。排查时先看中心化频谱再看距离图最后查归一化顺序不要反。4.1 五条翻车记录全黑、亮圈、错位、去不净与彩色偏色第一条输出全黑或全白。现象是滤波后图像要么一片黑要么一片白频谱看起来正常。原因多半是缩放重复先把图像除以 255 落到[0,1]逆变换用了DFT_SCALE最后又做了一次cv2.normalize到 0 到 255再乘 255或者反过来没用DFT_SCALE也没手动除rows*cols结果整体放大几万倍clip 后全白。解决是统一量纲要么全程[0,1]浮点逆变换带DFT_SCALE最后只乘一次 255要么全程 0 到 255 浮点逆变换后手动除像素总数。不要两种混用。第二条边缘出现亮圈或振铃。现象是物体边缘附近出现一圈亮暗相间的条纹理想低通最明显D0 越小越严重。原因是理想低通的频域传递函数是硬阶跃空域对应 sinc 函数旁瓣在边缘处振铃。解决分三步优先换高斯低通或者巴特沃斯 n2 到 3如果必须用理想低通把 D0 稍微放大让截止圈避开主要能量填充方式用镜像反射减少边界突变。振铃不是代码 bug是硬截止的数学后果换滤波器比调参数更有效。第三条滤波后图像错位或偏移。现象是低通后图像整体往一个方向偏或者高通后边缘只出现在一侧。原因通常是fftshift和ifftshift没有配对或者距离图原点还在左上角。cv2.dft输出未中心化你做了fftshift后乘 H逆变换前必须ifftshift如果 H 是用左上角原点构造的乘上去就是一个偏心圆。解决是检查distance_grid的中心是不是rows//2, cols//2检查ifftshift是否在idft之前检查shape是不是dft_shift.shape[:2]。第四条周期噪声去不干净。现象是低通后条纹变淡但没有消失或者条纹消失了纹理也被抹平。原因有三种D0 选得比噪声亮点到中心的距离小噪声还在通带内D0 选得太大把纹理高频一起砍了原图边界突变导致频谱泄漏噪声亮点被拉成十字。解决是先保存中心化频谱找到噪声对应的亮点D0 设成亮点到中心距离的 1.1 到 1.3 倍如果亮点不在同心圆上用陷波而不是低通边界泄漏明显时加 Hann 窗或镜像填充。不要只凭空域结果反复试 D0频谱图是更直接的黑匣子。第五条彩色图三通道分别滤波后偏色。现象是低通后边缘出现彩色描边或者整体色调变冷变暖。原因是三个通道分别滤波每个通道的相位变化和能量衰减不同合并后不再满足原来的通道关系。解决是转 HSV 只处理 V或转 Lab 只处理 L保持色度通道不变如果必须在 BGR 上做三个通道共用同一个 H并且不要对某个通道单独改 D0。彩色图的高频信息很多在亮度通道只处理亮度通常比三通道分别处理更稳。4.2 排查顺序先看中心化频谱再查距离图和归一化遇到结果不对我一般按固定顺序排查避免在代码里乱改。第一步存中心化频谱看零频是不是在中心看目标噪声亮点在哪看有没有异常的十字亮线。第二步把 H 单独显示出来检查白色通带是不是以中心为圆心的圆理想低通的边缘是不是太硬巴特沃斯的 n 是不是过大。第三步检查dft_shift的尺寸和 H 的尺寸是否一致填充后的rows和cols有没有在裁剪时用错。第四步检查归一化链输入是不是[0,1]逆变换有没有DFT_SCALE最后有没有重复乘 255。第五步才看空域结果对比低通和高通的互补关系。这个顺序能挡住大部分“看起来像算法错、实际是数据流错”的问题。频谱图是频域滤波的黑匣子H 是第二个黑匣子两个都看一眼比盲调 D0 快得多。还有一个小习惯每次保存结果时把kind、d0、n、highpass写进文件名或日志后面复现时不用猜。频率域滤波的参数不多但组合起来很容易记混尤其是巴特沃斯的 n 和 D0 同时改的时候。5. 把频域滤波接进批处理用频谱能量比验收别只凭肉眼批处理时最怕每张图固定一个 D0。我一般把 D0 设成短边比例再用高频能量比做粗验收。下面这个函数不依赖滤波结果直接算图像高频能量占总能量的比例滤波前后各跑一次低通应该下降高通应该上升。radius_ratio取 0.1 到 0.2 比较稳太小会把噪声当高频太大把纹理当低频。def high_freq_ratio(gray, radius_ratio0.15): # 用 FFT 幅值估算高频能量占比仅做批处理粗筛 f np.fft.fftshift(np.fft.fft2(gray.astype(np.float32))) mag np.abs(f) h, w gray.shape cy, cx h // 2, w // 2 yy, xx np.ogrid[:h, :w] d np.sqrt((yy - cy) ** 2 (xx - cx) ** 2) mask d radius_ratio * min(h, w) return float(mag[mask].sum() / (mag.sum() 1e-8))逻辑说明先做二维 FFT 并中心化取幅值以中心为原点构造距离掩膜把大于radius_ratio * min(h,w)的部分视为高频返回高频幅值总和除以总幅值。参数说明radius_ratio控制高频边界0.15 表示短边 15% 以外的频段这个指标只用于批处理排序和异常筛查不替代肉眼验收。把滤波前后的比值记进日志下降幅度突然变小的图多半是 D0 偏小或噪声不在通带外。我现在的习惯是先把中心化频谱和截止圈画在一起再决定 D0不看频谱直接调参翻车概率太高。希望帮到你。本文还有配套的精品资源点击获取