图像带通滤波常规和gpu加速python实战

图像带通滤波在频域中保留中频成分（如纹理、边缘等细节），抑制低频（平滑区域）和高频（噪声、微小细节）。以下通过python代码分别实现常规和gpu加速图像带通滤波。

1. 图像带通滤波算法

代码说明

1. 掩膜类型

• ideal_bandpass_mask：理想环形，边界陡峭，可能导致振铃效应。
• gaussian_bandpass_mask：高斯平滑过渡，更符合自然图像的频域特性，推荐使用。

1. 半径选择

• radius_low：抑制低频（例如平滑区域），值越小去除越多低频。
• radius_high：抑制高频（例如噪声、微小细节），值越小保留的纹理越粗糙。
• 根据图像尺寸调整，通常 radius_low 取 20~50，radius_high 取 80~150（对 512×512 图像）。

1. 显示

• 使用 cv2.imshow 展示每个步骤的结果，所有窗口可调整大小（WINDOW_NORMAL）。
• 频谱经过对数压缩和归一化，便于观察。

1. 依赖安装

pip install numpy opencv-python

import numpy as npimport cv2defideal_bandpass_mask(shape, radius_low, radius_high):"""生成理想带通掩膜（环形）"""    rows, cols = shape    crow, ccol = rows // 2, cols // 2    mask = np.zeros((rows, cols), dtype=np.float32)for i in range(rows):for j in range(cols):            r = np.sqrt((i - crow) ** 2 + (j - ccol) ** 2)if radius_low <= r <= radius_high:                mask[i, j] = 1.0return maskdefgaussian_bandpass_mask(shape, radius_low, radius_high):"""生成高斯带通掩膜（平滑过渡，减少振铃）"""    rows, cols = shape    crow, ccol = rows // 2, cols // 2    mask = np.zeros((rows, cols), dtype=np.float32)for i in range(rows):for j in range(cols):            r = np.sqrt((i - crow) ** 2 + (j - ccol) ** 2)# 带通 = 高斯低通(外半径) - 高斯低通(内半径)            low_pass_outer = np.exp(-(r ** 2) / (2 * (radius_high ** 2)))            low_pass_inner = np.exp(-(r ** 2) / (2 * (radius_low ** 2)))            mask[i, j] = low_pass_outer - low_pass_innerreturn maskdefnormalize_display(img):"""将任意浮点数图像归一化到 0-255 并转为 uint8，用于 OpenCV 显示"""    img_min, img_max = img.min(), img.max()if img_max - img_min > 1e-8:        normalized = (img - img_min) / (img_max - img_min) * 255else:        normalized = np.zeros_like(img)return np.uint8(normalized)# ------------------- 1. 读取图像 -------------------image_path = "lena.jpg"# 请换成你自己的图片路径，若无则用生成的测试图img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)# 转为 float32 以便进行傅里叶变换image_float = img.astype(np.float32)# ------------------- 2. 频域变换 -------------------f = np.fft.fft2(image_float)fshift = np.fft.fftshift(f)magnitude_spectrum = np.log(np.abs(fshift) + 1)   # 对数压缩便于显示# ------------------- 3. 设计带通滤波器 -------------------rows, cols = img.shaperadius_low, radius_high = 30, 80# 根据图像尺寸调整# mask = ideal_bandpass_mask((rows, cols), radius_low, radius_high)mask = gaussian_bandpass_mask((rows, cols), radius_low, radius_high)  # 推荐高斯掩膜# ------------------- 4. 应用滤波器 -------------------fshift_filtered = fshift * maskf_ishift = np.fft.ifftshift(fshift_filtered)image_filtered = np.fft.ifft2(f_ishift)image_filtered = np.real(image_filtered)   # 取实部# 超出 0-255 的像素进行裁剪（由于浮点误差可能轻微超出）image_filtered = np.clip(image_filtered, 0, 255).astype(np.uint8)# ------------------- 5. 计算被移除的频率成分（可选） -------------------fshift_removed = fshift * (1 - mask)f_ishift_removed = np.fft.ifftshift(fshift_removed)image_removed = np.real(np.fft.ifft2(f_ishift_removed))image_removed = np.clip(image_removed, 0, 255).astype(np.uint8)# ------------------- 6. 用 OpenCV 显示结果 -------------------# 准备可显示的幅度谱magnitude_disp = normalize_display(magnitude_spectrum)magnitude_filtered_disp = normalize_display(np.log(np.abs(fshift_filtered) + 1))mask_disp = normalize_display(mask)cv2.namedWindow("Original", cv2.WINDOW_NORMAL)cv2.imshow("Original", img)cv2.namedWindow("Original Spectrum", cv2.WINDOW_NORMAL)cv2.imshow("Original Spectrum", magnitude_disp)cv2.namedWindow("Bandpass Mask", cv2.WINDOW_NORMAL)cv2.imshow("Bandpass Mask", mask_disp)cv2.namedWindow("Filtered Spectrum", cv2.WINDOW_NORMAL)cv2.imshow("Filtered Spectrum", magnitude_filtered_disp)cv2.namedWindow("Bandpass Filtered Image", cv2.WINDOW_NORMAL)cv2.imshow("Bandpass Filtered Image", image_filtered)cv2.namedWindow("Removed (Low+High Freq)", cv2.WINDOW_NORMAL)cv2.imshow("Removed (Low+High Freq)", image_removed)print("按任意键关闭所有窗口...")cv2.waitKey(0)cv2.destroyAllWindows()

Original：

Removed (Low+High Freq)：

Original Spectrum：

Bandpass Mask：

Filtered Spectrum：

Bandpass Filtered Image：

2. GPU加速的高性能图像带通滤波算法

以下是使用GPU加速的高性能图像带通滤波算法实现，利用PyTorch调用CUDA/cuFFT库，对RGB或灰度图像进行快速滤波。

代码说明

1. 频域带通原理

在频域设计一个高斯带通滤波器:

该滤波器保留频率范围介于 low_cutoff 和 high_cutoff 之间的信息，抑制低频（大尺度亮度变化）和高频（微小噪声/纹理）。

1. GPU加速关键点

• 使用 torch.fft 调用 cuFFT 库，在 GPU 上执行二维复数 FFT，复杂度  对 4K 图像可在毫秒级完成。
• 滤波器在频域直接点乘，避免空域大卷积核的计算开销。
• 张量操作全部驻留显存，仅最后结果回传 CPU。

1. 参数选择指南

• low_cutoff 设置高通截止：值越小，抑制的低频范围越大（如去除雾霾/光照不均）。
• high_cutoff 设置低通截止：值越小，图像越模糊；值越大保留更多纹理。
• 典型范围：low_cutoff = 5~20，high_cutoff = 30~150。需根据图像分辨率调整（频率单位为像素/周期，最大有效值为图像尺寸的一半）。

import torchimport numpy as npfrom PIL import Imageimport matplotlib.pyplot as pltdefcreate_gaussian_bandpass_filter(shape, low_cutoff, high_cutoff, device):    rows, cols = shape    crow, ccol = rows // 2, cols // 2# 构建频率网格（原点移至中心）    u = torch.arange(rows, device=device) - crow    v = torch.arange(cols, device=device) - ccol    U, V = torch.meshgrid(u, v, indexing='ij')    D = torch.sqrt(U**2 + V**2).float()# 两个高斯低通滤波器    low_pass_high = torch.exp(- (D**2) / (2 * (high_cutoff**2)))  # 截止频率高，保留更多低频    low_pass_low  = torch.exp(- (D**2) / (2 * (low_cutoff**2)))   # 截止频率低，保留更少低频    bandpass = low_pass_high - low_pass_low   # 带通 = 低通1 - 低通2return bandpassdefbandpass_filter_gpu(image, low_cutoff, high_cutoff, device='cuda'):# 转换为GPU张量，归一化至[0,1]if image.ndim == 2:        img_tensor = torch.from_numpy(image).float().to(device) / 255.0        img_tensor = img_tensor.unsqueeze(0)  # (1, H, W)else:  # RGB        img_tensor = torch.from_numpy(image).float().to(device) / 255.0        img_tensor = img_tensor.permute(2, 0, 1)  # (C, H, W)# 快速傅里叶变换 (cuFFT)    fft = torch.fft.fft2(img_tensor, norm='backward')    fft_shift = torch.fft.fftshift(fft)# 生成带通滤波器    H, W = img_tensor.shape[-2], img_tensor.shape[-1]    filter_2d = create_gaussian_bandpass_filter((H, W), low_cutoff, high_cutoff, device)    filter_ = filter_2d.unsqueeze(0)  # (1, H, W) 适配多通道广播# 频域相乘    filtered_fft = fft_shift * filter_# 逆傅里叶变换    fft_ishift = torch.fft.ifftshift(filtered_fft)    result = torch.fft.ifft2(fft_ishift, norm='backward').real# 裁剪到[0,1]并转换回[0,255] uint8    result = torch.clamp(result, 0, 1)if result.shape[0] == 3:  # RGB        result = result.permute(1, 2, 0)else:        result = result.squeeze(0)    result_np = (result.cpu().numpy() * 255).astype(np.uint8)return result_npif __name__ == "__main__":# 检查GPU可用性    device = 'cuda'if torch.cuda.is_available() else'cpu'    print(f"使用设备: {device}")# 读取图像（请替换为实际路径）    img_path = "input.jpg"    img = np.array(Image.open(img_path).convert('RGB'))# 执行带通滤波# 低截止频率10：抑制频率低于10的纹理（大尺度结构）# 高截止频率80：抑制频率高于80的噪声/细节    filtered_img = bandpass_filter_gpu(img, low_cutoff=10, high_cutoff=80, device=device)# 显示原图与滤波结果    plt.figure(figsize=(10, 5))    plt.subplot(121), plt.imshow(img), plt.title('Original')    plt.subplot(122), plt.imshow(filtered_img), plt.title('Bandpass Filtered')    plt.show()# 保存结果    Image.fromarray(filtered_img).save("bandpass_output.jpg")

扩展优化建议

1. 混合精度：在创建滤波器和 FFT 前使用 torch.half 可进一步提速，但需注意精度损失。
2. 批处理：多张图像可将 batch 维度合并，一次性执行 FFT 提升吞吐量。
3. 预计算滤波器：若多张图像尺寸相同且滤波参数不变，滤波器可复用。