第 4 章 频率域滤波 (Filtering in the Frequency Domain)
核心结论
-
背景（§4.1）：傅里叶变换基础；频率域与空间域等价。
-
采样与重建（§4.2）：Nyquist 采样；混叠；重建滤波。
-
离散傅里叶变换 (DFT)（§4.3）：FFT 算法；2D DFT 性质。
-
频率域滤波基础（§4.4）：
G(u,v) = H(u,v) F(u,v)；低通 / 高通 / 带通 / 带阻。 -
低通频率域滤波（§4.5）：理想 / 巴特沃斯 / 高斯低通；振铃效应。
-
高通频率域滤波（§4.6）：高通 = I - 低通；锐化；拉普拉斯滤波。
-
选择性滤波（§4.7）：带通 / 带阻 / 陷波滤波。
|
本章主旨
本章是频率域 DIP——把空间域滤波转到频率域实现。理解后才能设计复杂滤波器（陷波 / 同态 / 维纳滤波）。 |
一、核心概念
本章围绕 7 个核心概念展开：背景 → 采样 → DFT → 基础 → 低通 → 高通 → 选择。
| 概念 | 定义 + 重要性 | 实现提示 |
|---|---|---|
傅里叶背景 |
频率域与空间域等价；卷积定理。 |
§4.1；理解后续章节。 |
采样与混叠 |
Nyquist 定理；混叠与重建滤波。 |
§4.2；理解分辨率上限。 |
离散傅里叶变换 (DFT) |
FFT 算法；2D DFT 性质。 |
§4.3；频率域滤波基础。 |
频率域滤波基础 |
|
§4.4；与空间滤波等价。 |
低通频率域滤波 |
理想 / 巴特沃斯 / 高斯；振铃。 |
§4.5；频率域去噪。 |
高通频率域滤波 |
高通 = I - 低通；拉普拉斯。 |
§4.6；频率域锐化。 |
选择性滤波 |
带通 / 带阻 / 陷波。 |
§4.7；周期噪声去除。 |
二、详细笔记
2.1 背景 (Background)
What：傅里叶变换基础；频率域与空间域等价。
Why：理解后续章节的数学基础。
How：
-
任何周期函数 = 正弦 / 余弦叠加（傅里叶级数）。
-
非周期函数 = 频率连续谱（傅里叶变换）。
-
卷积定理：空间域卷积 ↔ 频率域乘积。
When：所有频率域分析。
Example：np.fft.fft2(img)；cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)。
2.2 采样与重建 (Sampling & Reconstruction)
What：Nyquist 采样定理；混叠；重建滤波。
Why：理解分辨率与混叠。
How：
-
Nyquist：
f_s ≥ 2 f_max。 -
混叠：欠采样导致高频折叠到低频。
-
重建：理想低通滤波（矩形函数）。
When：相机设计；图像超采样。
Example：摩尔纹（屏幕拍照时的彩色条纹）就是混叠。
2.3 离散傅里叶变换 (DFT)
What：DFT + FFT 算法；2D DFT 性质。
Why：频率域滤波的数学工具。
How：
-
1D DFT：
F(u) = Σ f(x) exp(-j2π ux/N)。 -
2D DFT：
F(u,v) = Σ Σ f(x,y) exp(-j2π(ux/M + vy/N))。 -
FFT：
O(N log N)而非O(N²)。 -
性质：平移 / 旋转 / 卷积 / 中心化。
When：频率域分析；频谱可视化。
Example：np.fft.fft2(img) 返回频谱；np.fft.fftshift 中心化。
2.4 频率域滤波基础 (Frequency Domain Filtering Basics)
What：G(u,v) = H(u,v) F(u,v)；H 是滤波器。
Why：与空间域滤波等价，但能设计复杂滤波器。
How：
-
流程：原图 → DFT → 乘 H → IDFT。
-
H 决定滤波类型（低通 / 高通 / 带通 / 带阻）。
-
设计滤波器（径向对称）。
When：去噪 / 锐化 / 周期性噪声去除。
Example：fshift = np.fft.fftshift(np.fft.fft2(img))；fshift_filtered = fshift * H；np.fft.ifft2(np.fft.ifftshift(fshift_filtered))。
2.5 低通频率域滤波 (Lowpass Filters)
What：理想 / 巴特沃斯 / 高斯低通。
Why：频率域去噪；与高斯模糊等价。
How：
-
理想低通：
H(u,v) = 1 if D(u,v) ≤ D_0, else 0（硬截断 → 振铃）。 -
巴特沃斯低通：
H = 1 / (1 + (D/D_0)^2n)（n 阶，无振铃但慢）。 -
高斯低通：
H = exp(-D²/(2D_0²))（无振铃，最平滑）。
When：去噪；平滑。
Example：H = np.exp(-u - M/2)2 + (v - N/2)2) / (2 * D0**2。
