4. 频域变换基础：傅里叶变换（FFT）概念，图像频谱的意义，使用numpy实现简单FFT
好，咱们聊点硬核的东西。你可能会问，为什么做盲水印要扯到傅里叶变换？
我的答案是：因为水印藏得够深。你想想看，直接在像素上改数据，人眼能看到，攻击者一眼就发现了。但如果你把图像拆成「频率」来看呢？
低频负责轮廓，高频负责细节和噪声。把水印塞进中间频段，既不破坏图像主体，又不容易被压缩抹掉。说白了，频域就是水印的「安全屋」。
核心认知： 空域（像素值） → 频域（频率分量） → 操作水印 → 逆变换回空域。这就是盲水印的底层逻辑。
4.1 傅里叶变换到底在干什么？
我刚开始学的时候，也被教材上那一堆公式搞晕了。后来用了一个类比，一下子就通了：傅里叶变换就像一台「信号分拣机」。
你把一段声音倒进去，它输出一个列表：哪几个频率的声音最多，每个多强烈。图像也一样——它把图像从「每个像素的颜色值」转换成「每个频率分量的振幅和相位」。
- 为什么叫「变换」？ 同一个数据，换了个坐标系观察。就像用直角坐标描述一个点 (x, y)，换成极坐标就是 (r, θ)。数据没变，视角变了。
- 为什么叫「快速」？ 直接算离散傅里叶变换需要 O(N²)，Cooley-Tukey 算法把它降到 O(N log N)。N 是图像像素数——一张 512×512 的图，直接算要跑断气，FFT 几毫秒搞定。
我的习惯： 遇到频域操作，永远先在小图上试，比如 128×128。跑得快，调试快，省得等半天发现方向反了。
4.2 图像频谱：你看到的不是图，是「能量地图」
做 FFT 后得到的是复数数组。我们通常只看它的幅值谱（magnitude spectrum）。
幅值谱是什么意思？——每个频率分量的「能量」有多强。低频对应图像中大面积连续的区域（天空、墙壁）；高频对应边缘、纹理、噪声。
| 频率成分 | 对应图像特征 | 盲水印的意义 |
|---|---|---|
| 低频 | 主体轮廓、大面积色块 | 水印嵌入后容易被肉眼察觉，且 JPEG 压缩会保留低频，破坏水印 |
| 中频 | 常见纹理、背景细节 | 优质水印区域——平衡不可见性与鲁棒性 |
| 高频 | 边缘、噪点、锐化痕迹 | 容易被压缩/滤波抹掉，鲁棒性差 |
还有一个概念叫 频谱移位（fftshift）。直接算出来的 0 频率在左上角，看着分布很奇怪。fftshift 把它移到中心，看起来就是标准的「低频在中心，高频在四周」的对称图案。
我在项目里犯过这个错误：没做 shift 就直接挑位置嵌水印，结果解码时位置全对不上。嗯，调了两小时才发现。
避坑提示： 图像 FFT 频谱是双共轭对称的（实数输入的 FFT 有这个性质）。修改频域系数时必须保持对称性，否则逆变换会出来复数像素值，图像就废了。我曾经用随意改一个点的方式试过，出来的图全是紫绿色的乱码，教训深刻。
4.3 用 numpy 实现：5 行代码看频谱
不废话，直接上代码。
import numpy as np
import cv2
# 1. 读图转灰度，并缩放到 256×256 方便演示
img = cv2.imread('lena.jpg', 0)
img = cv2.resize(img, (256, 256))
# 2. 傅里叶变换 + 频谱移位
f = np.fft.fft2(img)
f_shift = np.fft.fftshift(f)
# 3. 算幅值谱（取对数压缩动态范围，不然显示出来只有中间一个亮星）
magnitude_spectrum = 20 * np.log(np.abs(f_shift) + 1)
# 4. 显示
cv2.imshow('Original', img)
cv2.imshow('Magnitude Spectrum', magnitude_spectrum.astype(np.uint8))
cv2.waitKey(0)
代码就这么几行，拆开看：
fft2：二维离散傅里叶变换，输入灰度图，输出复数矩阵。fftshift：把低频分量从四角挪到中心。np.abs+np.log：幅值范围从 0 到几百万，直接显示全是黑的；取对数后细节就出来了。
一个小细节： 加 1 是为了防止 log(0) 报错。虽然 FFT 系数的幅值严格来说不会等于 0，但浮点误差偶尔会搞出一个极小值，加 1 保平安。
4.4 从频谱图能看到什么？
跑完上面代码，你会看到一张亮暗不匀的图：
- 中心亮斑： 直流分量 + 极低频，代表图像整体亮度。这个分量改动一点，整张图亮度都会变。
- 十字亮线： 水平和垂直方向的周期纹理。比如砖墙、栅栏，会在频谱上留下十字状的亮点。
- 四周暗区域： 高频能量弱，说明图像本身比较平滑。如果图像充满噪点或微细纹理，四周会亮很多。
这些特征对水印设计有什么用？——你要避开的坑。
- 直流分量不改，图片整体亮度不变，肉眼不可感知变化。
- 非常强的单个频率点（十字亮线）也不改，因为那些是图像本身的纹理，动了会破坏自然感。
- 选择能量适中的中频区域嵌入，水印完成后逆变换回去，几乎看不到差异。
4.5 逆变换：把频域变回图像
做完 FFT 操作，最后一步肯定要回到空域。numpy 有一个对称的 API：
# 假设 f_shift 已被你修改过（嵌入了水印）
f_ishift = np.fft.ifftshift(f_shift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.real(img_back).astype(np.uint8)
几个重点：
ifftshift是fftshift的逆操作，把频率重新挪回四角。ifft2输出复数，理论上虚部应该是 0，但因为浮点计算会留一点点尾巴，直接取实部np.real。- 强制转
uint8：图像是 0~255 整数，取整并截断。
曾经踩过的坑： 如果你在频域改了系数但没有保持对称性，ifft2 出来的复数虚部会很大，np.real 之后图像也有严重的条纹伪影。保持对称是底线。
4.6 知识结构图：FFT 在盲水印流程中的位置
下面这张图帮你看清全局。水印嵌入和解码都围绕着 FFT/IFFT 做文章。
所以，整个盲水印的「基座」就是 FFT。没有频域变换，我们就没有从容操作的阵地。
个人经验总结： 当你拿到任何一张图做盲水印实验时，第一件事不是想在哪嵌，而是先跑一遍 FFT 看频谱分布——哪里能量高、哪里是中频低谷、哪里有对称规律。这个习惯帮我避免了很多弯路。
4.7 课后自己动手的小实验
光看不练不行。给你两个小任务，花 10 分钟试试：
- 找一张纯色渐变图（比如黑白渐变），做 FFT 看频谱。你会发现低频能量集中在中心，高频几乎没有——因为渐变平缓。
- 给同一张图加 5% 的高斯噪声，再做 FFT。对比噪声前后，高频区域明显变亮。
这两个实验一做，你就能直观理解「低频=轮廓，高频=细节+噪声」这句话了。