频率域滤波:换个坐标系看图像
上一章的空间滤波在 域直接操作像素。这一章换到 频率域。同一幅图像,同一件事(低通、高通、带阻),换一种表达以后有的事情变简单、有的变直观、有的能算得快。
Fourier 变换的想法不难:任何函数都能写成一堆正弦波的加权和。数字图像也不例外。低频对应大范围的亮度变化(比如天空、墙壁),高频对应细节和噪声(比如边缘、纹理)。频率域滤波做的事就是选择性地保留或压制不同频段。
1. 从连续到离散:DFT 的来历
一维连续 Fourier 变换:
是时间信号, 是频谱。数字图像是离散、有限的,需要离散 Fourier 变换(DFT):
是 图像, 是同样大小的复数矩阵。反变换:
复数矩阵怎么看?分成幅值 和相位 两部分。幅值决定"有哪些频率成分",相位决定"这些成分在哪里"。有个经典实验:把两幅图的幅值和相位交换重构,得到的图看起来更像给相位的那幅——相位携带了图像的几何信息,幅值只携带能量分布。
2. FFT:算得快才用得起
朴素计算 DFT 是 的复杂度——每个 都要遍历全图。对 图像, 次乘法,不可能实时。
Cooley-Tukey 1965 年发表的 FFT 把复杂度压到 ,同样规模只要 次运算,快五个数量级。做法是分治:把 点 DFT 拆成两个 点 DFT,重复到 。要求 是 2 的幂。所以图像做 FFT 之前经常要 zero-padding 到最近的 。
工程上直接用 numpy/OpenCV 的 fft2,不用自己实现。真正需要注意的是:
- DFT 假设图像是周期的。图像的右边接上左边、下面接上上面。所以边界不连续会产生假的高频分量("泄漏"),显示为水平/垂直方向的十字亮线。缓解办法是先加窗(Hamming、Hann)或对图像做镜像扩展。
- 中心化:(直流分量)在角上不方便看。 把它挪到中心,四个象限交换。这只是显示技巧,不影响滤波结果。
3. 卷积定理:为 什么能在频率域滤波
空间域的卷积等价于频率域的点乘。这是频率域滤波的存在理由——大核卷积很贵,转到频率域变成对应位置相乘。
流程:
f(x,y) ──FFT──▶ F(u,v) ──×H(u,v)──▶ G(u,v) ──IFFT──▶ g(x,y)
三步。 是滤波器传递函数,形状决定了保留哪些频率。
什么时候值得走频率域?粗略经验:核尺寸 时 FFT 比空间卷积快。深度学习里 卷积从不用 FFT,但传统 DIP 里大高斯核、Wiener 滤波、同态滤波都在频率域做。
4. 低通滤波:抹掉高频
4.1 理想低通(ILPF)
是到频谱中心的距离, 是截止频率。物理上像是拿剪刀"啪"地一剪。
问题:振铃效应。理想矩形窗在空间域对应 sinc 函数,有大量正负振荡的旁瓣,处理后图像边缘处会出现波纹状条纹。
4.2 巴特沃斯低通(BLPF)
是阶数,越高越接近理想低通。 时过渡最平滑,几乎没有振铃; 时接近 ILPF,振铃也回来了。工程默认选 。
4.3 高斯低通(GLPF)
Fourier 变换对高斯函数封闭——高斯的 FT 还是高斯——所以空间域对应的也是高斯核,零振铃。缺点是过渡带宽,不能实现锐利的频率截断。
三种低通比较:
| 滤波器 | 过渡陡峭度 | 振铃 | 参数 |
|---|---|---|---|
| 理想 ILPF | 无限陡 | 严重 | |
| 巴特沃斯 BLPF | 可调 | 中等 | |
| 高斯 GLPF | 缓 | 无 |
选谁看需求:要绝对没振铃就用高斯;要陡截止能容忍振铃就用理想;两头都要一点就用巴特沃斯。