在前几天的分享中，我们从图像平滑、边缘检测到轮廓处理，始终在「空间域」操作——直接对图像的像素点进行处理，聚焦“像素在哪里、灰度值是多少”。而今天要讲的傅里叶变换，将带我们进入「频域」视角，从“频率”维度分析图像，解锁图像处理的新思路。
傅里叶变换是信号处理、图像处理的核心数学工具，1822年法国工程师傅里叶提出：任意周期函数都可以分解为无穷多个不同频率的正弦和/或余弦的和，这一理论延伸到图像处理中，便可以将空间域图像的灰度分布函数，转换为频域的频率分布函数。它的核心作用的是“将图像的灰度变化，分解为不同频率的信号”，比如图像的平滑、降噪、边缘增强，都可以在频域高效完成，且效果往往优于空间域处理。
很多新手觉得傅里叶变换“晦涩难懂”，其实无需死记复杂公式，抓住核心逻辑即可。今天这篇实操教程，全程聚焦OpenCV-Python落地，从傅里叶变换的核心原理（通俗解读）、二维离散傅里叶变换、频谱图解读，到频域滤波（低通/高通）实战，附完整可复制代码、效果对比和避坑技巧，新手也能一键跑通，衔接此前空间域处理内容，形成“空间域+频域”完整的图像处理知识体系。
一、前置基础（新手必看，衔接前文）
1. 核心前提：环境配置
所有操作均基于OpenCV-Python，若未配置环境，执行以下命令一键安装/升级，适配Python 3.7-3.12，Windows/Mac/Linux全兼容（与前几篇保持一致，降低新手学习成本）：
python# 安装/升级OpenCV-Python（核心依赖）pip install opencv-python -U# 安装辅助库（图像显示、傅里叶变换计算）pip install numpy matplotlib |
2. 核心概念：空间域 vs 频域（通俗解读）
新手最容易混淆的就是“空间域”和“频域”，用两句话讲清，无需复杂公式：
•空间域：我们平时看到的图像，聚焦“像素的位置和灰度值”，比如某个像素在(100,200)位置，灰度值为128，是“直观可见”的视角，前几篇的平滑、边缘检测都在这个域操作；
•频域：聚焦“图像灰度变化的频率”，灰度变化越剧烈（比如边缘、噪声），频率越高；灰度变化越平缓（比如图像背景），频率越低，是“抽象的频率分布”视角。
傅里叶变换的核心作用：将空间域图像→ 频域图像，在频域对不同频率的信号进行处理（比如过滤高频噪声），再通过傅里叶逆变换，将频域图像转换回空间域，得到处理后的图像，本质是“换个角度做图像处理”。
举个通俗例子：一张有噪声的图像，空间域处理是“逐个像素去噪”，而频域处理是“直接过滤掉高频的噪声信号”，效率更高、效果更均匀，这也是傅里叶变换的核心优势。
3. 测试图像准备（统一对比，保持连贯）
为了让傅里叶变换的效果更直观，同时与前几篇文章保持连贯，我们统一使用“带高斯噪声的灰度图像”（与边缘检测、轮廓处理篇测试图一致），代码如下，可直接复用：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 1. 读取图像（灰度图）img = cv2.imread("test.jpg", 0) # 0表示灰度图，替换为自己的图像路径# 2. 添加高斯噪声（模拟真实拍摄场景，用于后续频域降噪测试）def add_gaussian_noise(img, mean=0, var=0.001):img = np.array(img/255, dtype=np.float32)noise = np.random.normal(mean, var**0.5, img.shape)noise_img = img + noisenoise_img = np.clip(noise_img, 0, 1)noise_img = np.uint8(noise_img*255)return noise_img# 生成带噪灰度图img_noise = add_gaussian_noise(img)# 显示原始图与带噪图plt.subplot(1, 2, 1)plt.imshow(img, cmap="gray")plt.title("原始灰度图像")plt.axis("off")plt.subplot(1, 2, 2)plt.imshow(img_noise, cmap="gray")plt.title("带高斯噪声的灰度图像")plt.axis("off")plt.show() |
二、核心原理：傅里叶变换（通俗解读，拒绝公式堆砌）
傅里叶变换的数学公式复杂（比如二维离散傅里叶变换的正变换和逆变换公式），但新手无需掌握公式，只需理解3个核心逻辑，就能轻松上手实操，结合OpenCV封装好的函数，无需手动推导计算。
1. 核心逻辑1：图像 = 不同频率的信号叠加
任何一张图像，都可以拆解成无数个“不同频率的正弦/余弦波”叠加而成——低频波对应图像的“背景、整体轮廓”（灰度变化平缓），高频波对应图像的“边缘、噪声”（灰度变化剧烈），这是傅里叶变换的核心理论基础，也是傅里叶级数的延伸应用。
2. 核心逻辑2：傅里叶变换的两步操作
•正变换（DFT）：将空间域图像转换为频域图像，得到“频率分布”（即频谱），能清晰看到图像中不同频率的信号分布；
•逆变换（IDFT）：将处理后的频域图像转换回空间域图像，得到最终的处理效果（比如降噪、增强后的图像）。
简单说：正变换“拆信号”，逆变换“拼信号”，中间的频域处理“筛选信号”（留有用的、删无用的）。
3. 核心逻辑3：频谱图的解读（关键！）
傅里叶正变换后得到的“频域图像”，我们通常用“频谱图”来直观展示，频谱图的解读是傅里叶变换实操的核心，记住2个关键点即可：
•频谱图的亮度：代表对应频率的信号强度，亮度越高，该频率的信号越强；
•频谱图的位置：默认情况下，低频信号集中在频谱图的4个角落，高频信号集中在中间；通过“频谱平移”（将低频信号移到中心），能更清晰地观察频率分布——中心亮斑是低频信号（背景），周围的亮斑是高频信号（边缘/噪声）。
三、OpenCV实战：傅里叶变换全流程（代码+效果+解读）
OpenCV和NumPy都封装了傅里叶变换的核心函数，无需手动实现复杂计算，我们重点掌握“正变换→频谱处理→逆变换”的全流程，以及频谱平移、频谱图显示的关键操作，实操性拉满。
1. 核心函数（必记）
实操中常用4个核心函数，结合NumPy和OpenCV，效率更高，参数简单易记：
•NumPy正变换：np.fft.fft2(img)，将灰度图像转换为频域复数数组（核心正变换）；
•频谱平移：np.fft.fftshift(fft_result)，将低频信号移到频谱图中心，方便观察和处理；
•频谱图显示：通过20*np.log(np.abs(fft_shift))转换，将复数频谱转换为可显示的灰度值（解决频谱亮度差异过大的问题）；
•逆变换：np.fft.ifft2(ifft_shift)，将处理后的频域图像转换回空间域，得到最终效果；
•OpenCV正变换：cv2.dft()，与NumPy功能一致，可搭配cv2.idft()实现逆变换，适配OpenCV图像格式处理。
2. 基础实操：傅里叶正变换+频谱图显示
先实现“空间域图像→频域频谱图”的转换，掌握频谱平移和显示的关键步骤，代码可直接复制运行：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 读取带噪灰度图（沿用前面的测试图）img_noise = add_gaussian_noise(cv2.imread("test.jpg", 0))# 1. 傅里叶正变换（NumPy实现，简单高效）fft_result = np.fft.fft2(img_noise) # 得到频域复数数组# 2. 频谱平移：将低频信号移到中心fft_shift = np.fft.fftshift(fft_result)# 3. 转换为可显示的频谱图（灰度值）spectrum = 20 * np.log(np.abs(fft_shift)) # 20*log缩放，避免亮度差异过大# 显示效果（原始带噪图 vs 频谱图）plt.subplot(1, 2, 1)plt.imshow(img_noise, cmap="gray")plt.title("带噪灰度图像（空间域）")plt.axis("off")plt.subplot(1, 2, 2)plt.imshow(spectrum, cmap="gray")plt.title("傅里叶频谱图（频域，低频在中心）")plt.axis("off")plt.show() |
关键说明：频谱图中，中心的亮斑是低频信号（图像背景），周围的亮斑是高频信号（噪声和边缘），噪声对应的高频信号比较分散，这也是我们后续频域降噪的核心目标——过滤掉这些分散的高频噪声信号。
3. 核心实战：频域滤波（低通+高通，最常用场景）
傅里叶变换的核心应用的是“频域滤波”——通过在频域“保留有用频率、过滤无用频率”，实现图像降噪、边缘增强等效果，最常用的两种滤波方式：低通滤波、高通滤波。
（1）低通滤波（LPF）：降噪神器
核心逻辑：保留低频信号（背景、整体轮廓），过滤高频信号（噪声、细边缘），实现图像降噪，效果比空间域的高斯平滑更均匀、更自然，尤其适合处理复杂噪声场景。
实操思路：在频谱图中，用“掩码”挡住高频区域（中心以外的区域），只保留中心的低频区域，再进行逆变换，得到降噪后的图像。
代码实现：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 读取带噪灰度图，执行正变换和频谱平移（沿用前面的代码）img = cv2.imread("test.jpg", 0)img_noise = add_gaussian_noise(img)fft_result = np.fft.fft2(img_noise)fft_shift = np.fft.fftshift(fft_result)# 1. 创建低通滤波掩码（保留低频，过滤高频）rows, cols = img_noise.shapecrow, ccol = rows // 2, cols // 2 # 频谱中心坐标mask = np.zeros((rows, cols), np.uint8)radius = 30 # 低通半径（越大，保留的低频越多，降噪越明显，可调整）mask[crow-radius:crow+radius, ccol-radius:ccol+radius] = 1 # 中心区域保留（低频）# 2. 应用掩码：频域处理（过滤高频）fft_filtered = fft_shift * mask# 3. 频谱逆平移：将低频移回原始位置ifft_shift = np.fft.ifftshift(fft_filtered)# 4. 傅里叶逆变换：转换回空间域img_filtered = np.fft.ifft2(ifft_shift)# 5. 转换为可显示的灰度值（逆变换结果是复数，取绝对值）img_filtered = np.abs(img_filtered)img_filtered = np.uint8(img_filtered) # 转换为8位灰度图# 对比显示（原始图 vs 带噪图 vs 低通滤波降噪图）plt.subplot(1, 3, 1)plt.imshow(img, cmap="gray")plt.title("原始灰度图像")plt.axis("off")plt.subplot(1, 3, 2)plt.imshow(img_noise, cmap="gray")plt.title("带高斯噪声图像")plt.axis("off")plt.subplot(1, 3, 3)plt.imshow(img_filtered, cmap="gray")plt.title("低通滤波降噪图（频域）")plt.axis("off")plt.show() |
调优技巧：低通半径radius越大，保留的低频信号越多，降噪效果越明显，但图像会越模糊；radius越小，降噪效果越弱，但能保留更多细节，建议取值20-50（根据图像大小调整）。
（2）高通滤波（HPF）：边缘增强神器
核心逻辑：保留高频信号（边缘、细节），过滤低频信号（背景），实现图像边缘增强，让轮廓更清晰，可衔接此前的边缘检测、轮廓处理内容，提升边缘提取效果。
实操思路：与低通滤波相反，用掩码挡住中心的低频区域，保留周围的高频区域，再进行逆变换，得到边缘增强后的图像。
代码实现（复用正变换结果，修改掩码即可）：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 读取原始灰度图，执行正变换和频谱平移img = cv2.imread("test.jpg", 0)fft_result = np.fft.fft2(img)fft_shift = np.fft.fftshift(fft_result)# 1. 创建高通滤波掩码（保留高频，过滤低频）rows, cols = img.shapecrow, ccol = rows // 2, cols // 2mask = np.ones((rows, cols), np.uint8)radius = 30 # 高通半径（越大，过滤的低频越多，边缘增强越明显）mask[crow-radius:crow+radius, ccol-radius:ccol+radius] = 0 # 中心区域过滤（低频）# 2. 应用掩码：频域处理（保留高频）fft_filtered = fft_shift * mask# 3. 频谱逆平移 + 逆变换ifft_shift = np.fft.ifftshift(fft_filtered)img_hpf = np.fft.ifft2(ifft_shift)img_hpf = np.abs(img_hpf)img_hpf = np.uint8(img_hpf)# 对比显示（原始图 vs 高通滤波边缘增强图）plt.subplot(1, 2, 1)plt.imshow(img, cmap="gray")plt.title("原始灰度图像")plt.axis("off")plt.subplot(1, 2, 2)plt.imshow(img_hpf, cmap="gray")plt.title("高通滤波边缘增强图（频域）")plt.axis("off")plt.show() |
调优技巧：高通半径radius越大，过滤的低频信号越多，边缘增强效果越明显，但图像背景会越暗；radius越小，边缘增强效果越弱，背景保留越多，建议取值20-40。
4. OpenCV函数实现（补充，适配OpenCV原生操作）
除了NumPy，OpenCV的cv2.dft()和cv2.idft()也能实现傅里叶变换，适配OpenCV的图像格式（Mat），代码如下，可根据需求选择：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 读取灰度图img = cv2.imread("test.jpg", 0)# 转换为float32格式（cv2.dft()要求输入为float32）img_float = np.float32(img)# 1. 傅里叶正变换（OpenCV实现）dft = cv2.dft(img_float, flags=cv2.DFT_COMPLEX_OUTPUT)# 2. 频谱平移dft_shift = np.fft.fftshift(dft)# 3. 转换为频谱图（分离实部和虚部，计算幅度）mag, ang = cv2.cartToPolar(dft_shift[:, :, 0], dft_shift[:, :, 1])spectrum = 20 * np.log(mag)# 4. 低通滤波（复用前面的掩码）rows, cols = img.shapecrow, ccol = rows//2, cols//2mask = np.zeros((rows, cols, 2), np.uint8)mask[crow-30:crow+30, ccol-30:ccol+30] = 1dft_filtered = dft_shift * mask# 5. 逆变换（OpenCV实现）ifft_shift = np.fft.ifftshift(dft_filtered)idft = cv2.idft(ifft_shift)# 转换为可显示的灰度图img_filtered = cv2.magnitude(idft[:, :, 0], idft[:, :, 1])img_filtered = np.uint8(img_filtered)# 显示效果plt.subplot(1, 2, 1)plt.imshow(img, cmap="gray")plt.title("原始图像")plt.axis("off")plt.subplot(1, 2, 2)plt.imshow(img_filtered, cmap="gray")plt.title("OpenCV DFT 低通滤波降噪")plt.axis("off")plt.show() |
说明：NumPy实现更简洁，适合新手快速上手；OpenCV实现更适配复杂的OpenCV图像处理流程，两者效果一致，可灵活选择。
四、实操避坑指南（新手必看）
•傅里叶变换优先使用灰度图像，若用彩色图，需先转为灰度图（cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)），否则会对三个通道分别处理，导致频谱图杂乱、效果异常；
•频谱图显示必须用20*np.log(np.abs(fft_shift))缩放，否则频谱图亮度差异过大，只能看到少数亮斑，无法正常解读；
•频域滤波的核心是“掩码设计”，低通掩码是“中心为1、周围为0”，高通掩码是“中心为0、周围为1”，掩码的半径的是关键，需根据图像大小调整；
•逆变换后得到的是复数数组，必须取绝对值（np.abs()），再转换为uint8格式（np.uint8()），否则无法正常显示图像；
•傅里叶变换的计算量较大，若图像尺寸过大，可先缩放图像（cv2.resize()），再进行变换，提升运行速度；也可使用OpenCV的getOptimalDFTSize()函数获取最优尺寸，优化计算效率。
五、完整实战代码（一键复制运行）
整合以上所有操作，包含“图像预处理+傅里叶正变换+频谱图显示+低通滤波降噪+高通滤波边缘增强+OpenCV实现”，替换自己的图像路径，即可一键跑通，适合新手直接实操，巩固所有知识点：
pythonimport cv2import numpy as npimport matplotlib.pyplot as plt# 1. 环境验证（可选）print("OpenCV版本：", cv2.__version__)# 2. 图像预处理（读取+加噪）def add_gaussian_noise(img, mean=0, var=0.001):img = np.array(img/255, dtype=np.float32)noise = np.random.normal(mean, var**0.5, img.shape)noise_img = img + noisenoise_img = np.clip(noise_img, 0, 1)noise_img = np.uint8(noise_img*255)return noise_imgimg = cv2.imread("test.jpg", 0) # 替换为自己的图像路径img_noise = add_gaussian_noise(img)# 3. NumPy实现傅里叶变换（正变换+频谱显示）fft_result = np.fft.fft2(img_noise)fft_shift = np.fft.fftshift(fft_result)spectrum = 20 * np.log(np.abs(fft_shift))# 4. 低通滤波（降噪）rows, cols = img_noise.shapecrow, ccol = rows//2, cols//2# 低通掩码mask_lpf = np.zeros((rows, cols), np.uint8)mask_lpf[crow-30:crow+30, ccol-30:ccol+30] = 1# 频域处理+逆变换fft_lpf = fft_shift * mask_lpfifft_shift_lpf = np.fft.ifftshift(fft_lpf)img_lpf = np.fft.ifft2(ifft_shift_lpf)img_lpf = np.uint8(np.abs(img_lpf))# 5. 高通滤波（边缘增强）fft_result_hpf = np.fft.fft2(img)fft_shift_hpf = np.fft.fftshift(fft_result_hpf)# 高通掩码mask_hpf = np.ones((rows, cols), np.uint8)mask_hpf[crow-30:crow+30, ccol-30:ccol+30] = 0# 频域处理+逆变换fft_hpf = fft_shift_hpf * mask_hpfifft_shift_hpf = np.fft.ifftshift(fft_hpf)img_hpf = np.fft.ifft2(ifft_shift_hpf)img_hpf = np.uint8(np.abs(img_hpf))# 6. OpenCV实现傅里叶变换（补充）img_float = np.float32(img_noise)dft = cv2.dft(img_float, flags=cv2.DFT_COMPLEX_OUTPUT)dft_shift_cv = np.fft.fftshift(dft)# 低通滤波mask_cv = np.zeros((rows, cols, 2), np.uint8)mask_cv[crow-30:crow+30, ccol-30:ccol+30] = 1dft_filtered_cv = dft_shift_cv * mask_cvifft_shift_cv = np.fft.ifftshift(dft_filtered_cv)idft_cv = cv2.idft(ifft_shift_cv)img_cv = cv2.magnitude(idft_cv[:, :, 0], idft_cv[:, :, 1])img_cv = np.uint8(img_cv)# 7. 统一显示所有效果plt.figure(figsize=(15, 10))# 第一行：原始图、带噪图、频谱图plt.subplot(2, 4, 1)plt.imshow(img, cmap="gray")plt.title("原始灰度图像")plt.axis("off")plt.subplot(2, 4, 2)plt.imshow(img_noise, cmap="gray")plt.title("带高斯噪声图像")plt.axis("off")plt.subplot(2, 4, 3)plt.imshow(spectrum, cmap="gray")plt.title("傅里叶频谱图（低频在中心）")plt.axis("off")# 第二行：低通滤波、高通滤波、OpenCV实现plt.subplot(2, 4, 4)plt.imshow(img_lpf, cmap="gray")plt.title("低通滤波（降噪）")plt.axis("off")plt.subplot(2, 4, 5)plt.imshow(img_hpf, cmap="gray")plt.title("高通滤波（边缘增强）")plt.axis("off")plt.subplot(2, 4, 6)plt.imshow(img_cv, cmap="gray")plt.title("OpenCV DFT 降噪")plt.axis("off")plt.tight_layout()plt.show()# 8. 保存结果（可选）cv2.imwrite("fourier_spectrum.jpg", spectrum)cv2.imwrite("fourier_lpf.jpg", img_lpf)cv2.imwrite("fourier_hpf.jpg", img_hpf) |
最后总结（衔接系列，强化记忆）
从空间域的平滑、边缘检测、轮廓处理，到今天的频域傅里叶变换，我们已经完整掌握了OpenCV图像处理的两大核心视角——空间域（操作像素）+ 频域（操作频率），两者相辅相成，能解决不同场景的图像处理需求。
傅里叶变换的核心不是复杂公式，而是“将图像拆解为不同频率的信号”，通过频域滤波，高效实现降噪、边缘增强等效果——低通滤波过滤高频噪声，高通滤波保留高频边缘，比空间域处理更高效、更均匀，是工业质检、图像增强等项目的常用技巧。
记住核心要点：傅里叶变换的全流程是“正变换→频谱处理（掩码）→逆变换”，频谱图的解读是关键（中心低频、周围高频），新手先掌握NumPy实现，再尝试OpenCV实现，多调整掩码半径，就能快速上手。
辛苦大家看到这里啦，如果你觉得这篇OpenCV实操教程对你有帮助，麻烦动动小手，点赞+在看，让更多学习计算机视觉、OpenCV的小伙伴看到，一起交流学习、共同进步～
关注【AI与计算机视觉】，后台回复「傅里叶变换」，即可免费获取本文完整代码、测试素材，还有更多OpenCV实战教程，助力大家快速上手，搞定频域图像处理全流程！
评论区留言「傅里叶实操」，我们一起打卡练习，互相交流遇到的问题，深耕计算机视觉，解锁更多实战技巧！后续我们将讲解频域进阶应用（带通/带阻滤波），衔接今天的傅里叶变换，记得持续关注哦～
10个月宝宝每天需要喝多少奶粉？
