4. 频域降噪：傅里叶变换基础、低通滤波器设计、频域滤波实战（FFT + 掩码）
各位好，欢迎来到第四章。
前面几章我们一直在空间域里折腾像素，用各种卷积核去滑窗。说实话，空间域处理直观，但有些噪声——比如周期性的纹理噪声、或者那种均匀的颗粒感——你在空间域里调半天参数，效果就是差口气。
这时候就该换个思路了。把图像从空间域搬到频域，你会发现很多在空间域里纠缠不清的东西，在频域里其实分得很开。这就是傅里叶变换的魔力。
4.1 为什么要去频域？
先问个问题：一张图像里的“噪声”和“边缘”，在频域里长什么样？
- 边缘、细节、纹理：这些是图像中灰度变化剧烈的地方。在频域里，它们对应的是高频分量。
- 平滑区域、背景、光照渐变：这些是灰度变化平缓的地方。在频域里，它们对应的是低频分量。
- 噪声：大部分随机噪声（比如高斯噪声、椒盐噪声）在空间域里是随机点，但在频域里，它们往往散布在整个频谱上，尤其是高频部分。而周期性噪声（比如扫描仪的条纹）会在频域里形成非常明显的亮点。
所以，降噪的思路就清晰了：把代表噪声的高频部分“切掉”，保留代表图像主体的低频部分。这就是低通滤波器的核心思想。
核心观点： 频域滤波的本质，就是“分而治之”。把图像分解成不同频率的成分，然后只保留你想要的，干掉你不想要的。
4.2 傅里叶变换基础：从时域到频域
傅里叶变换是个数学工具，它能把一个信号从时间域（或空间域）转换到频率域。对于图像来说，我们用的是二维离散傅里叶变换（2D DFT）。
公式我就不推了，大家记住一个直观理解就行：傅里叶变换就是计算图像里每个频率成分的“强度”和“相位”。
- 幅度谱（Magnitude Spectrum）：显示每个频率分量的强度。亮的区域代表该频率成分能量强。通常我们会把低频（图像中心）和高频（图像边缘）做个移位，让低频集中在中心，方便观察和操作。
- 相位谱（Phase Spectrum）：包含图像的结构信息，比如边缘的位置。相位信息非常重要，但我们在做降噪时，通常只修改幅度谱，保留相位谱不变。
我个人习惯把幅度谱想象成一张“能量地图”。地图中心是低频能量（图像主体），越往外围，高频能量（边缘、噪声）越多。你设计的滤波器，就是在这张地图上画一个圈，圈内的放行，圈外的拦截。
4.3 低通滤波器设计：理想、巴特沃斯、高斯
低通滤波器有很多种，我挑三种最常用的讲。它们各有各的脾气，选哪个取决于你的应用场景。
| 滤波器类型 | 特点 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 理想低通滤波器 (ILPF) | 在截止频率处“一刀切”，像一堵墙。 | 概念简单，数学上容易实现。 | 会产生严重的“振铃效应”（ringing artifact），图像边缘出现鬼影。 | 几乎不用。除非你想演示振铃效应。 |
| 巴特沃斯低通滤波器 (BLPF) | 有一个平滑的过渡带，阶数越高，过渡越陡。 | 可以在振铃效应和模糊程度之间做权衡。 | 阶数选择需要经验，低阶时模糊效果不如高斯。 | 需要一定锐利度，且能接受轻微振铃的场景。 |
| 高斯低通滤波器 (GLPF) | 过渡非常平滑，没有振铃。 | 效果最自然，不会引入伪影。 | 模糊程度相对较高，边缘保留不如巴特沃斯。 | 通用降噪，追求视觉自然。 |
我的经验： 在绝大多数实际项目中，我首选高斯低通滤波器。它虽然会稍微模糊一点，但胜在“干净”，不会给你带来额外的麻烦。如果你需要保留更多边缘细节，可以试试二阶巴特沃斯滤波器。
4.4 频域滤波实战：FFT + 掩码
理论说完了，咱们直接上代码。我会用 Python + OpenCV + NumPy 演示整个流程。整个过程分四步走：
- 傅里叶变换：将图像从空间域转到频域。
- 频谱中心化：把低频分量移到图像中心。
- 应用掩码：用我们设计的低通滤波器（掩码）去乘频谱。
- 逆傅里叶变换：把处理后的频谱转回空间域，得到降噪后的图像。
下面是一个完整的代码示例，我加了很多注释，方便你理解每一步在干什么。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 1. 读取图像并转为灰度图
img = cv2.imread('noisy_image.jpg', 0)
rows, cols = img.shape
# 2. 傅里叶变换
# np.fft.fft2 计算二维 FFT
f = np.fft.fft2(img)
# 3. 频谱中心化
# np.fft.fftshift 将低频移到中心
fshift = np.fft.fftshift(f)
# 4. 设计高斯低通滤波器掩码
# 截止频率，单位是像素。值越小，滤波越强，图像越模糊。
D0 = 30
# 生成网格坐标
crow, ccol = rows // 2, cols // 2
x = np.arange(0, cols)
y = np.arange(0, rows)
X, Y = np.meshgrid(x, y)
# 计算每个点到中心的距离
dist = np.sqrt((X - ccol)**2 + (Y - crow)**2)
# 高斯低通滤波器公式
mask = np.exp(-(dist**2) / (2 * (D0**2)))
# 5. 应用掩码
# 在频域做点乘
fshift_filtered = fshift * mask
# 6. 逆傅里叶变换
# 先逆中心化
f_ishift = np.fft.ifftshift(fshift_filtered)
# 再逆 FFT
img_filtered = np.fft.ifft2(f_ishift)
# 取实部，因为理论上结果应该是实数，但计算有微小虚部
img_filtered = np.abs(img_filtered)
# 7. 显示结果
plt.subplot(121), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(122), plt.imshow(img_filtered, cmap='gray'), plt.title('Filtered (D0=30)')
plt.show()避坑指南： 我曾经在逆傅里叶变换后直接显示结果，发现图像一片漆黑。后来才意识到，FFT 的结果是复数，逆变换后也是复数，必须用 np.abs() 取模才能得到正确的灰度图像。另外，别忘了把像素值缩放到 0-255 范围。
4.5 频域滤波的核心流程
为了让你对整个流程有个全局的把握，我画了一张流程图。你可以把它当作一个“操作手册”，以后做频域滤波时，照着这个流程走就行。
4.6 参数调优与避坑
代码跑通了，但效果好不好，全看参数调得怎么样。这里有几个我踩过的坑，分享给你。
- 截止频率 D0 的选择：D0 太小，图像会过度模糊，细节全丢；D0 太大，降噪效果不明显。我的经验是，从 30 开始试，然后根据结果上下调整。对于 512x512 的图像，D0 在 20-50 之间通常效果不错。
- 振铃效应：如果你用了理想低通滤波器，或者巴特沃斯滤波器的阶数太高，图像边缘会出现一圈一圈的“鬼影”。这就是振铃效应。解决办法是改用高斯滤波器，或者降低巴特沃斯滤波器的阶数。
- 周期性噪声：如果图像里有明显的条纹或网格噪声（比如扫描仪产生的），它们在频域里会表现为几个孤立的亮点。这时候低通滤波器会把它们和图像细节一起干掉。更好的做法是设计一个“陷波滤波器”（Notch Filter），只干掉那几个亮点，保留其他频率。
一个小技巧： 在调试参数时，我习惯先看一眼幅度谱。如果幅度谱中心很亮，外围很暗，说明图像能量集中在低频，噪声不多。如果外围也有不少亮点，说明噪声能量很强，需要更低的 D0 值。
4.7 频域 vs 空间域：到底选哪个？
你可能会问，既然空间域有高斯模糊、中值滤波，为什么还要学频域滤波？
说白了，各有各的适用场景。
| 对比维度 | 空间域滤波 | 频域滤波 |
|---|---|---|
| 计算效率 | 小卷积核（如 3x3）非常快 | 需要 FFT 变换，对大尺寸图像有优势 |
| 处理周期性噪声 | 困难，需要大尺寸卷积核 | 非常容易，设计陷波滤波器即可 |
| 灵活性 | 受限于卷积核形状 | 可以设计任意形状的滤波器 |
| 边缘保留 | 可以通过双边滤波等算法保留 | 低通滤波会模糊边缘 |
我的建议是：常规降噪，先用空间域的高斯模糊或中值滤波试试，简单高效。如果遇到周期性噪声，或者需要精细控制频率成分，再上频域滤波。