计算机视觉技术应用项目化教程 课件 项目7 图像频域滤波操作

PROJECT07图像频域滤波操作进入图像的“频率世界”COMPUTERVISION·计算机视觉系列课程任务导入：如何去除恼人的周期性噪声？图：含有周期性条纹噪声的扫描文档或老照片📝案例描述处理珍贵的历史照片或扫描文档时，发现图像上覆盖着一种规律性的、重复出现的条纹或网格状噪声，严重影响阅读和美观。⚡️面临挑战常规的空间域滤波方法（如均值滤波）虽然能减弱噪声，但会模糊图像的细节和边缘，无法兼顾“去噪”与“保细节”两个目标。💡答案揭晓：频域分析周期性噪声在频域中对应特定的“亮点”。将图像转换至频域，精准定位并屏蔽这些噪声频率，再逆变换回空间域，即可实现去噪与细节保留兼得！本项目学习目标知识目标Knowledge•理解核心原理：掌握二维离散傅里叶变换（2D-DFT）的基本概念，理解空间域到频域的转换逻辑。•掌握频域概念：理解频域图像的频谱、相位谱含义，以及高低频分量在图像中的分布规律。•熟悉滤波原理：理解频域滤波思想，即通过与滤波器函数相乘，实现对特定频率成分的增强或抑制。•了解滤波器类型：掌握理想低通(ILPF)和理想高通(IHPF)滤波器的原理及其对图像的具体影响。能力目标Skills•基础操作能力：熟练使用OpenCV与NumPy库，独立完成图像的二维离散傅里叶变换及逆变换的完整代码实现。•结果处理能力：能编写代码对变换结果进行中心化处理，并正确计算和可视化显示幅度谱，验证变换效果。•算法应用能力：设计并实现简单的频域滤波器，观察并分析滤波前后图像的直观变化及背后的原因。素质目标Competence•培养多维科学思维：

突破传统空间域视角，建立“空间域-频域”相互映射与转换的分析框架，学会从不同维度拆解和解决图像处理问题。•提升算法评估能力：

在对比不同滤波器效果的过程中，培养客观分析算法优缺点、适用性及权衡利弊的工程评估能力。什么是傅里叶变换？核心定义傅里叶变换是一种将信号从时域(空间域)转换到频域的数学工具。它揭示了一个深刻的本质：任何复杂的信号，都可以看作是许多不同频率、振幅和相位的简单正弦波的叠加。二维离散傅里叶变换(2D-DFT)针对图像这类二维信号，它将像素矩阵f(x,y)转换为复数矩阵F(u,v)。其中，(x,y)代表像素的空间坐标，(u,v)代表频率坐标，F(u,v)即为包含幅度与相位信息的傅里叶频谱。频谱中心化(FFTShift)DFT原始结果中，能量集中的低频分量分布在四个角落。在Python中，我们通常使用np.fft.fftshift()将低频移至图像中心，以方便观察与处理。📊频谱解读•中心亮点：代表图像中的低频分量，对应图像中大片的平坦、平滑区域。

•四周暗点：代表图像中的高频分量，对应物体的边缘、纹理以及图像中的细节和噪声。频谱、幅度谱与相位谱傅里叶变换的结果F(u,v)是一个复数，包含了实部与虚部，可以表示为：F(u,v)=R(u,v)+j·I(u,v)幅度谱(MagnitudeSpectrum)|F(u,v)|=√(R²+I²)•代表图像中每个频率分量的强度，越亮代表该频率成分越显著。

•通常中心最亮，因为图像大部分能量集中在低频区域。相位谱(PhaseSpectrum)φ(u,v)=arctan2(I(u,v),R(u,v))•描述了每个频率分量的相位信息。

•主要决定了图像中物体的几何位置、边缘和整体结构。💡关键提示：在大多数图像处理与简单滤波应用中，我们主要关注幅度谱来分析和修改图像频率。频域滤波原理01正变换·ForwardTransform将原始空间域图像f(x,y)通过离散傅里叶变换(DFT)转换到频域，得到包含图像频率信息的频谱F(u,v)。02滤波·Filtering将频域频谱F(u,v)与设计好的频域滤波器H(u,v)进行逐元素相乘，以增强或抑制特定的频率成分，得到G(u,v)。03逆变换·InverseTransform将处理后的频域图像G(u,v)通过逆离散傅里叶变换(IDFT)转换回空间域，最终得到处理后的图像g(x,y)。核心思想·CoreConcept在频域中对图像不同频率的成分进行“筛选”：保留感兴趣的频率成分，滤除干扰频率。处理后再转换回空间域，从而实现去噪、增强边缘或平滑图像等特定效果。任务7.1：利用DFT获得图像频域信息任务目标对一张灰度图像执行二维离散傅里叶变换，将变换后的频谱进行中心化处理，并计算、展示最终的幅度谱，直观理解图像的频域特性。关键函数解析●cv2.dft()：对图像矩阵执行二维离散傅里叶变换(DFT)，将图像从空间域映射到频域。

●np.fft.fftshift()：将变换后的高频与低频成分互换，把低频部分移至频谱图的几何中心，便于观察。

●cv2.magnitude()：计算复数的幅值，将DFT产生的实部和虚部转化为可视的能量幅度谱。Python代码实现importcv2,numpyasnp,matplotlib.pyplotasplt

#1.读取灰度图像并转为浮点型

img=cv2.imread('img/lena.jpg',0);dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)

#2.频谱中心化与幅度谱计算

dft_shift=np.fft.fftshift(dft)#中心化

magnitude=20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1]))#对数缩放以增强对比度

#3.并排展示原图与幅度谱

plt.subplot(121),plt.imshow(img,cmap='gray'),plt.title('原图')

plt.subplot(122),plt.imshow(magnitude,cmap='gray'),plt.title('幅度谱(DFT)');plt.show()任务7.2：利用滤波器平滑图像和提取边缘理想低通滤波器(ILPF)🔵核心作用：允许低频分量通过，抑制高频分量。🖼️视觉效果：在空间域表现为图像平滑，去除尖锐细节，实现模糊效果。理想高通滤波器(IHPF)🔴核心作用：允许高频分量通过，抑制低频分量，突出灰度突变。⚡视觉效果：在空间域表现为提取图像边缘和轮廓，生成类似“线稿”的图像。频域滤波实现三步法Step1.设计掩码创建与频谱尺寸相同的二值掩膜，中心为1(低通)或0(高通)。Step2.频域相乘将图像频谱与滤波器掩码进行对应位置的元素相乘。Step3.逆变换回显对滤波后的频谱进行逆傅里叶变换，还原为空间域图像。频域滤波代码实现importcv2importnumpyasnpimportmatplotlib.pyplotasplt#1.读取灰度图像并确定中心坐标img=cv2.imread('img/lena.jpg',0)#0表示以灰度模式读取rows,cols=img.shape;crow,ccol=rows//2,cols//2#2.执行离散傅里叶变换(DFT)并将低频分量移至中心dft=cv2.dft(np.float32(img),flags=cv2.DFT_COMPLEX_OUTPUT)dft_shift=np.fft.fftshift(dft)#3.构造低通(LPF)与高通(HPF)滤波器掩码(半径30)mask_lp=np.zeros((rows,cols,2),np.uint8)cv2.circle(mask_lp,(ccol,crow),30,(1,1),-1)mask_hp=np.ones((rows,cols,2),np.uint8)cv2.circle(mask_hp,(ccol,crow),30,(0,0),-1)#4.应用滤波器并进行逆变换得到空域图像f_ishift_lp=np.fft.ifftshift(dft_shift*mask_lp)#乘以掩码，保留低频img_lp=cv2.magnitude(*cv2.idft(f_ishift_lp).T)#计算幅值还原图像#5.显示结果(原始,低通滤波结果,高通滤波结果)plt.subplot(131),plt.imshow(img,'gray'),plt.title('Original')plt.subplot(132),plt.imshow(img_lp,'gray'),plt.title('LowPass')plt.show()项目小结：频域滤波技术核心概念•频域分析：将图像从空间域转换到频率域，从全新的视角分析图像信息。•二维离散傅里叶变换(DFT)：连接空间域与频域的核心数学工具。•频谱中心化：频域处理的关键前置步骤，将能量集中的低频分量移至中心，便于观察和操作。•频域滤波原理：将变换后的图像频谱与设计好的滤波器传递函数直接相乘。核心应用场景🟢低通滤波器(LPF)保留图像中的低频分量，滤除高频分量。通常用于消除图像中的颗粒噪声或实现图像平滑、模糊化效果。🔴高通滤波器(HPF)保留图像中的高频分量，抑制低频。常用于图像的边缘提取、锐化处理，增强细节对比度。核心技术优势虽然频域滤波通常计算量较大，但在特定场景下拥有空间域滤波无法比拟的优势：🎯针对性强：对于具有周期性规律的噪声（如条纹、摩尔纹等），频域滤波能通过精准的陷波滤波器直接去除，效果显著优于空间域滤波。🔍全局视野：提供了对图像频率成分的全局视角，便于分析图像的整体能量分布与特征，从而指导滤波器的设计。习题与思考01思考题为什么在显示幅度