4、频域降噪原理：傅里叶变换与小波变换基础、频域滤波（低通、带阻）、DCT域降噪

聊频域降噪之前，我想先问一个问题：你平时在时域里做滤波，是不是总觉得有些噪声和细节纠缠在一起，怎么调都分不开？

我早年做一款低照度IPC时也遇到过这问题。空域滤波调重了，细节全糊；调轻了，噪声还在。后来我意识到——换个角度看问题，也许就豁然开朗了。这个“换个角度”，就是频域。

4.1 为什么要去频域？

时域里，像素值是随空间位置变化的。频域里，我们看的是图像中灰度变化的“快慢”。

• 低频：图像中平坦区域、缓慢变化的背景。
• 高频：边缘、纹理细节，以及——噪声。

说白了，噪声和细节在频域里都挤在高频段。但它们的分布特性不一样。细节通常有方向性、有结构，而噪声是随机的、无规律的。这就是频域降噪能比空域做得更精细的原因。

4.2 傅里叶变换：从空间到频率的“翻译官”

傅里叶变换，就是把图像从空间域映射到频率域。对于离散图像，我们用的是离散傅里叶变换（DFT）。

公式我就不推了，你记住一个直观理解就行：
傅里叶变换把图像分解成不同频率、不同方向的正弦波分量。每个分量有幅度和相位。

• 幅度谱：告诉我们图像里各个频率成分的“能量”有多大。
• 相位谱：决定了这些频率成分在空间上的位置。

我刚开始做频域滤波时，犯过一个低级错误——只保留幅度谱，把相位谱扔了。结果重建出来的图像完全看不出原样。相位信息对图像结构至关重要，千万别丢。

4.3 频域滤波：低通与带阻

傅里叶变换之后，我们就可以在频域里“动手”了。最基础的操作就是滤波。

4.3.1 低通滤波

低通滤波，就是保留低频，抑制高频。说白了就是让图像变“糊”。

• 理想低通：在截止频率处一刀切。但会产生振铃效应，图像边缘出现“鬼影”。我建议你别用。
• 巴特沃斯低通：过渡平滑，振铃少。阶数越高，越接近理想低通。
• 高斯低通：最常用。没有振铃，过渡自然。我项目中90%的低通场景都用它。

滤波器类型	振铃效应	边缘保留	推荐场景
理想低通	严重	差	不推荐
巴特沃斯低通	中等	中等	需要控制截止锐度时
高斯低通	无	较好	通用降噪

4.3.2 带阻滤波

带阻滤波，是专门抑制某个频率范围的噪声。比如监控画面里50Hz/60Hz的工频干扰，或者传感器产生的固定模式噪声（FPN）。

我记得有一次做球机项目，画面里总有一条条横纹。时域滤波怎么都去不掉。后来在频域一看，频谱图上对应垂直方向有一排亮斑。用带阻滤波器把那几个频率点一压，横纹立刻消失。那种感觉，真的很爽。

4.4 小波变换：多分辨率分析利器

傅里叶变换有个硬伤：它只能告诉你图像里有哪些频率成分，但不知道这些频率出现在哪里。小波变换解决了这个问题。

小波变换把图像分解成不同尺度（分辨率）和不同方向的子带：

• LL子带：低频近似，相当于原图的缩略图。
• LH、HL、HH子带：水平、垂直、对角方向的高频细节。

噪声主要分布在高频子带（LH、HL、HH），而且尺度越小（分辨率越高），噪声越明显。

小波降噪的经典流程：

1. 对图像做小波分解，得到各层子带。
2. 对高频子带做阈值处理（软阈值或硬阈值）。
3. 重构图像。

4.5 DCT域降噪：JPEG背后的功臣

离散余弦变换（DCT），你可能更熟悉它在JPEG压缩里的角色。但DCT在降噪上也有独特优势。

DCT和傅里叶变换类似，但DCT只用余弦函数，没有虚部。计算量更小，能量集中性更好——图像的大部分能量都集中在DCT系数的左上角（低频区）。

DCT域降噪怎么做？

• 把图像分成8x8或16x16的块。
• 对每个块做DCT变换。
• 对高频系数做衰减或置零。
• 反DCT重建。

这和JPEG压缩的量化过程很像。区别在于，JPEG量化是为了压缩码率，而DCT降噪是为了抑制噪声。

4.6 三种频域降噪方法对比

方法	优势	劣势	安防适用场景
傅里叶（频域滤波）	实现简单，适合去除周期性噪声	无法定位频率位置，全局处理	工频干扰、横纹噪声
小波变换	多分辨率，保留边缘好	计算量大，小波基选择依赖经验	低照度噪声、复杂纹理场景
DCT域降噪	计算快，能量集中，易硬件实现	块效应，对非平稳噪声效果一般	实时性要求高的IPC、SoC平台

4.7 本章知识体系

下面这张图，帮你把本章的核心逻辑串起来：

三种方法各有各的脾气。傅里叶适合处理周期性噪声，小波在低照度场景下表现突出，DCT则胜在计算效率。实际项目中，我经常把它们组合着用——比如先用DCT做快速预处理，再用小波做精细降噪。效果往往1+1>2。