刚结束系列里前四篇的频域理论学习这篇笔记正好卡在从“原理”跳到“应用”的关口上。前几篇啃完傅里叶变换和频谱搬移之后你最关心的应该就是那句“频域滤波不过是用一个模板去乘频谱”到底怎么落地。常见的频域滤波器——理想、巴特沃斯、高斯三大类再加高通、带阻这些衍生形态就是频域处理最核心的“模板库”。这篇笔记我按自己的学习顺序来写先把三类低通滤波器的数学定义和图像效果讲透再补上高通和带阻的用法最后给一套可以直接跑的代码和调参经验。适合刚学完傅里叶变换、准备动手做频域实验的读者也适合想系统梳理滤波器异同的人。1. 频域滤波的地基为什么要把图像搬到频域1.1 傅里叶变换与频谱的含义图像本质上是一个二维函数 f(x, y)横纵坐标是像素位置函数值是灰度。傅里叶变换把这个函数拆解成无数不同频率、不同方向的正弦波分量。对图像来说“频率”不是声音那种时间上的快慢而是空间上明暗变化的剧烈程度。一个平坦的背景区域灰度变化缓慢对应的就是低频分量一条边缘或者细纹理灰度在几个像素内剧烈跳变对应的就是高频分量。这个拆解过程我可以打个比方。你去看一块布料的纹理远处看只能看到大致颜色和明暗分布那是低频信息主导的整体印象凑近了才看清纤维走向和编织纹路那是高频信息主导的细节。频域滤波的本质就是决定“哪些频率分量保留、哪些抑制”相当于在布料纹理中挑选你要看整体还是看细节。频谱图里中心点对应零频直流分量也就是整幅图像的平均亮度距离中心越远频率越高。我们常看到的频谱图中心亮、四周暗就是这个道理自然图像的能量大多集中在低频区域边缘和纹理这种高频成分相对稀少但很重要。理解这一点是后面设计滤波器的前提因为所有滤波器的传递函数基本都是在“中心区域和外围区域”做文章。1.2 频域滤波的标准流程频域滤波的操作套路非常固定核心流程分为五步对输入图像做傅里叶变换得到复数频谱 F(u, v)。把频谱的零频分量从左上角搬到中心这步叫频谱中心化对应数学上的频谱平移性质。构造一个与图像等大的滤波器传递函数 H(u, v)它决定每个频率成分的“通过比例”。将 H 与 F 逐元素相乘得到滤波后的频谱 G(u, v) H(u, v) · F(u, v)。对 G 做逆傅里叶变换取实部再裁剪回正常的灰度范围得到空间域的滤波结果 g(x, y)。这里最值得说两句的是第2步。如果不做中心化频谱的零频在左上角滤波器也就得围绕左上角设计做了中心化之后低通滤波器就是一个以图像中心为圆心的圆盘几何意义直观代码也好写。很多人第一次跑频域滤波出来的图是“花的”或者有条纹八成就是中心化步骤没做对后面我单独列一节说这个坑。还有一个隐藏细节傅里叶变换默认输入和输出都是复数。我们显示频谱图时取的是幅值取对数但滤波做乘法时必须在复数域进行不能只对幅值操作。不少初学者直接拿频谱幅值去乘滤波器等于把相位信息全丢了逆变换出来的东西自然面目全非。相位承载着图像的结构信息幅值承载着能量分布信息滤波只改幅值不改相位这是频域操作的基本纪律。2. 三种低通滤波器理想、巴特沃斯、高斯的取舍2.1 理想低通滤波器的振铃问题理想低通滤波器的定义极其简单H(u, v) 1当 D(u, v) ≤ D0 H(u, v) 0当 D(u, v) D0其中 D(u, v) 是点 (u, v) 到频谱中心的距离D0 是截止半径。它像一个绝对的门卫半径以内的频率全部放行半径以外的频率全部拦截没有任何过渡带。这个“绝对”恰恰是问题所在。频域的矩形窗函数对应空间域是 sinc 函数形态的点扩散函数sinc 函数带有明显的正负震荡旁瓣。图像通过这样的滤波器之后边缘附近会出现一圈圈明暗交替的“水波纹”这就是常说的振铃效应。理想低通滤波器的截止越陡峭振铃越明显视觉效果就像图像被“压出”了环状伪影。我第一做理想低通实验时把 D0 设得很小结果出来的图除了模糊边缘处还有一道道弧形光晕当时还以为是代码写错了。后来用一张纯白底黑块的简单图验证才确认这就是振铃。理想低通适合做理论推导和教学演示在实际图像处理里很少直接用因为边缘伪影对后续分析是灾难性的。除非你要处理的是二值化后的简单几何图形振铃影响可控否则不建议选它。2.2 巴特沃斯低通阶数n的平衡艺术巴特沃斯低通滤波器BLPF用一个可控的过渡带换掉了理想滤波器的悬崖式截止H(u, v) 1 / (1 [D(u, v)/D0]^(2n))其中 n 是阶数。当 D D0 时无论 n 取多少H 都等于 0.5这是它的一个稳定参考点。n 越大过渡带越窄越接近理想低通n 越小过渡带越宽振铃越轻但高频成分残留也越多。从实操角度看n1 的巴特沃斯几乎没有振铃但过渡带太宽会明显损失一部分本应保留的中频细节图像发“闷”n2 的巴特沃斯是我用的最多的一档过渡带适中轻微振铃在可接受范围内尤其适合背景不够均匀的自然图像n3 以上振铃开始变得明显好处是保留细节的锐度更高。如果你处理的图像纹理本身就比较丰富又想平滑掉细碎噪声n2 到 n3 之间是个比较合理的区间。有一点值得注意巴特沃斯滤波器是连续的传递函数频谱中高于 D0 的成分并不会被完全清零只是被大幅度衰减。这种“软截止”特性让逆变换后图像灰度更平滑也避免了理想低通那种硬边界带来的空间域震荡。代价是你需要多理解一个参数 n但实际调参并不复杂我通常先固定 n2调整 D0 找到粗细合适的平滑程度再回头微调 n。2.3 高斯低通最自然的选择高斯低通滤波器GLPF定义为H(u, v) exp(-D²(u, v) / (2σ²))σ 可以用等效截止频率 D0 表示当 D D0 时H exp(-1/2) ≈ 0.607。高斯函数的傅里叶变换仍然是高斯函数不会出现旁瓣振荡因此高斯低通在空间域不会产生振铃这是它最大的优势。效果上讲高斯低通给出的是最“自然”的模糊——没有水波纹没有灰度跳变像蒙了一层均匀的薄雾。代价是在相同 D0 下它的高频抑制不如理想低通彻底图像细节保留得相对多一点视觉上就是模糊感稍弱但干净度更好。三种低通滤波器我做过一个并排对比实验用一张带细颗粒噪声的织物表面灰度图虚构项目里的一张实验样图分别设置等效截止频率 D0 使总保留能量都在 90% 左右。结果理想低通的图振铃痕迹明显巴特沃斯 n2 的图干净且保留了一定纹理高斯低通的图最柔和但纹理细节也损失最多。如果说理想低通是锤子巴特沃斯是钳子高斯就是砂纸——砂纸下手最轻但精细打磨时最顺手。滤波器类型过渡带特性振铃风险平滑效果典型适用场景理想低通无过渡带突变截止高模糊且带伪影理论教学、二值图形巴特沃斯低通 n2平滑过渡可调低可控模糊通用图像平滑、去噪高斯低通高斯渐变无自然柔和模糊对伪影敏感的场景3. 高通、带阻与带通从提取边缘到去周期噪声3.1 高通滤波器家族高通滤波器和低通是孪生概念允许高频通过、抑制低频。最简单的构造方法是用全通减去低通H_HP 1 - H_LP。理想高通同样有振铃问题巴特沃斯高通和高斯高通分别继承对应低通的特性。高通滤波的结果直观上就是“边缘图”。因为低频频段承载了图像平均亮度和缓慢变化的背景被抑制之后只剩下亮度跳变明显的边缘和纹理。我之前用一张带有划痕的金属表面样图做测试高斯高通滤波后划痕轮廓清晰显现背景的渐变反光被完全压平了这对后续做缺陷检测帮助很大。参数上有一点需要提醒高通滤波会在抑制低频的同时放大高频噪声。如果原图本身信噪比不高直接高通会让画面铺满颗粒感。我的经验是先做一个轻度高斯低通去掉一部分最粗糙的噪声再对结果做高通相当于把信号先“抛光”再“勾边”效果比单独高通好得多。高通滤波后图像均值会偏离正常灰度所以需要做灰度范围重映射否则显示出来就是一片灰蒙蒙的后面代码部分会写清楚。巴特沃斯高通相对高斯高通在过渡带上更灵活。做边缘提取时如果背景变化比较平滑、边缘能量较强我倾向用 n2 的巴特沃斯高通背景压得更干净如果图像本身纹理细密高斯高通更稳妥不至于把每根细小纹理都当成边缘提取出来。3.2 带阻与带通、陷波滤波器带阻滤波器抑制的是某个频率区间内的成分对应空间域最常见的应用是去除周期性的条纹噪声。比如扫描仪照片中出现的网纹、某些成像设备产生的固定频率干扰它们在频谱上表现为一对对偏离中心较远的亮点。带阻滤波器就是在频谱上挖掉这一圈范围同时保留其它频段。带通滤波器的逻辑与带阻相反它只保留特定频段的成分一般用在需要提取特定尺度纹理的场景。比如某材料的表面纹理分析项目里我需要把周期在 5~20 个像素之间的织纹分离出来就在频域构造了一个环形带通滤波器把其余频段全部清零逆变换后得到的就是目标尺度的纹理分布图。陷波滤波器是带阻的一种极端情况专门消除频谱中某个或某几个孤立频率点。它特别适合处理具有明确周期的干扰信号——比如图像上叠加的条带噪声频谱上就是一对明显的尖峰。陷波滤波的难点在于如何精确定位干扰尖峰的位置我通常的做法是先显示频谱图用鼠标光标读出亮点坐标再为每个坐标构造一个小尺寸的高斯凹陷宽度要刚好覆盖尖峰的能量范围如果挖窄了残留噪声挖宽了则损伤周围频段的信息。这里有一个通用规律空间域的周期性噪声越“规整”在频谱上的能量就越集中。因此凡是能定位到明确尖峰的干扰用陷波滤波最干净而普通随机噪声没有集中频点只能靠低通平滑。区分这两类噪声是选择滤波器的重要前提。4. 实操用一组代码跑通常见频域滤波器4.1 环境与核心函数封装我用的是 Python 3.10 OpenCV NumPyMatplotlib 只用来显示结果图。OpenCV 的cv2.dft和np.fft都能做傅里叶变换但为了和理论笔记对应清楚我习惯用 NumPy 的 FFT 库逻辑更显式。先封装三个基础函数频谱中心化、低通滤波、高通滤波。核心代码骨架如下import numpy as np import cv2 import matplotlib.pyplot as plt def fft2_image(img): 输入灰度图返回中心化后的频谱 f np.fft.fft2(img.astype(np.float32)) f_shift np.fft.fftshift(f) return f_shift def ifft2_image(f_shift): 逆中心化 逆傅里叶变换返回灰度图 f_ishift np.fft.ifftshift(f_shift) img_back np.fft.ifft2(f_ishift) img_back np.real(img_back) return img_back def distance_matrix(shape, centerNone): 生成每个像素到频谱中心的距离矩阵 rows, cols shape if center is None: center (rows // 2, cols // 2) u np.arange(rows) - center[0] v np.arange(cols) - center[1] U, V np.meshgrid(u, v, indexingij) D np.sqrt(U**2 V**2) return D def ideal_lowpass(shape, d0): D distance_matrix(shape) H np.where(D d0, 1.0, 0.0) return H def butterworth_lowpass(shape, d0, n2): D distance_matrix(shape) H 1.0 / (1.0 (D / d0) ** (2 * n)) return H def gaussian_lowpass(shape, d0): D distance_matrix(shape) H np.exp(-(D**2) / (2 * d0**2)) return H注意np.meshgrid的indexingij参数保证距离矩阵的行列方向和图像坐标一致不然滤波器方向会转置出来的结果就是横向条带。高通滤波器不需要单独写一套函数直接用低通的结果取反即可def highpass_from_lowpass(H_lp): return 1.0 - H_lp4.2 参数选择与结果对比我用一张虚构实验图来演示一张 512×512 的芯片表面灰度照片上面有均匀的背景渐变、一条斜向划痕和一些细碎颗粒噪声。这个场景很典型——既有需要保留的结构边缘又有想去除的颗粒噪声能一次性看全低通和高通的效果。先做低通滤波代码流程是img cv2.imread(chip_surface.png, cv2.IMREAD_GRAYSCALE) f_shift fft2_image(img) # 构造巴特沃斯低通D030, n2 H_blp butterworth_lowpass(img.shape, d030, n2) g_shift f_shift * H_blp img_blp ifft2_image(g_shift) img_blp np.clip(img_blp, 0, 255).astype(np.uint8)把 D0 分别设为 15、30、60 跑三组。D015 时背景渐变几乎被完全平滑掉但划痕边缘也明显变钝D030 时颗粒噪声被压下去大半划痕仍然清晰这是我最常用的一组参数D060 时噪声去除不明显图跟原图差别很小但边缘细节保留得最好。这个实验直观解释了“截止频率越小图像越平滑”这条规律的代价——细节和噪声是死敌你能做的只是选一个兼顾两者的平衡点。高通滤波的演示我用高斯高通D025H_ghp highpass_from_lowpass(gaussian_lowpass(img.shape, d025)) g_shift f_shift * H_ghp img_ghp ifft2_image(g_shift) # 重映射到0-255否则图像偏灰 img_ghp cv2.normalize(img_ghp, None, 0, 255, cv2.NORM_MINMAX)如果不做normalize高通结果的灰度范围集中在 0 附近显示出来是一张灰中带亮的图。因为低频被去掉后平均亮度被拉低必须重新拉伸灰度范围才能看清边缘结构。这一步太容易被漏掉我一开始看到“灰蒙蒙一片”还以为算法错了结果只是没做显示前的归一化。带通滤波的环形滤波器构造稍微复杂一点需要在距离矩阵上同时设定内径和外径def bandpass(shape, d0_inner, d0_outer): D distance_matrix(shape) H np.where((D d0_inner) (D d0_outer), 1.0, 0.0) return H注意带通滤波器的内外径之间会引入类似理想的硬截止如果发现输出图像有振铃可以对环形边界做一次高斯平滑过渡效果会自然很多。5. 踩坑实录频域滤波的常见问题排查5.1 振铃效应怎么压振铃几乎都是滤波器传递函数在频域存在陡峭突变导致的。理想低通是重灾区巴特沃斯阶数太高也会出现。如果你发现输出图像边缘有明暗交替的波浪纹先检查滤波器类型和参数——换成高斯滤波器基本立刻消失。还有一种隐蔽的“伪振铃”情况你对频谱做乘法时滤波器构造用的是整数类型矩阵而不是浮点类型导致传递函数产生量化误差也会在输出图边缘出现环状伪影。我在封装函数时一开始用np.zeros生成滤波器然后往里面填1默认浮点没问题但如果用了np.zeros(shape, dtypenp.uint8)再赋 255乘到频谱上就会出鬼。所有滤波器矩阵必须用浮点类型。5.2 图像发灰或出现条纹是怎么回事逆变换后图像发灰最可能的原因是忘了逆中心化也就是用了fft_shift但没有在逆变换前调用ifft_shift。此时零频分量不在正确位置逆变换结果在空间上出现整体灰度偏移看起来就是发灰或者出现奇怪的方块状条纹。还有一种情况是显示时用了复数频谱直接当灰度图。np.fft.ifft2返回的是复数数组需要取实部如果直接把复数数组交给cv2.imshow或者matplotlib.imshow会得到警告甚至错误输出。记得先用np.real取实部再转成uint8显示。5.3 常见问题速查表现象可能原因排查与处理图像出现水波纹振铃滤波器过渡带太陡换高斯滤波器或降低巴特沃斯阶数显式结果整体偏灰逆变换后未做灰度归一化用normalize或手动拉伸到 0-255输出图出现棋盘格条纹中心化/逆中心化不匹配检查fftshift和ifftshift是否成对结果像原图但轻微平移频谱乘了但逆变换时相位处理不当确保在复数域操作不要只对幅值滤波处理结果几乎全黑滤波器矩阵类型不对或尺寸不匹配确认dtypefloat32检查与图像 shape 一致边界出现不对称伪影没对图像做边界扩展用cv2.copyMakeBorder扩边后处理再裁剪6. 我的经验与参数调优心得做频域滤波一段时间后我最深的感受是三大类低通滤波器没有绝对优劣全是场景匹配问题。在某个模拟项目里我需要处理一批零件表面的规则纹理图片目标是去除低频背景渐变、保留表面划痕细节。用巴特沃斯高通 n2、D020 的效果最好但同样是这批图换了一个采集批次后背景渐变变得不太均匀D0 不变则划痕被背景残留干扰调大到 35 之后才稳定。这说明参数根本不是一次定死的换一批数据、换一个光照条件就得重新调。高斯低通和巴特沃斯的选择我推荐一个简单判据如果处理结果要给人看比如做展示图、报告配图用高斯它输出干净。如果处理结果要做进一步的机器分析比如缺陷检测、特征提取用巴特沃斯 n2它在保留结构边缘方面更锐利。写代码时可以把滤波器类型做成字符串参数方便批量对比测试。另外一个小技巧调参时与其一张一张看图不如把频域滤波的保留能量比作为量化指标。保留能量比 滤波后频域幅值平方和 / 原图频域幅值平方和在低通场景下这个值直观告诉你还剩多少信息。我曾用脚本自动遍历 D0 从 10 到 100画出保留能量比曲线再根据经验选拐点附近的值比用人眼一张张看高效得多。这个思路也可以反向用于高通保留能量比越低说明背景压得越狠边缘越突出。这篇笔记是我整个频域学习系列里从“看懂原理”到“能用代码跑出结果”的一个拐点。写完这一篇后面的内容就可以放心地往实际应用方向走了比如同态滤波做光照不均校正、频域增强结合直方图均衡这些都是常见频域滤波器在不同场景下的延伸组合。如果你手边有现成的测试图建议立刻跑一遍上面的代码哪怕只是换几个 D0 看输出差异也比光读笔记涨经验快得多。 
长河君 · 2026/10/13 22:21:38 · 阅读 1.2k 频域滤波实战指南：三种低通滤波器与高通实现全解析
刚结束系列里前四篇的频域理论学习这篇笔记正好卡在从“原理”跳到“应用”的关口上。前几篇啃完傅里叶变换和频谱搬移之后你最关心的应该就是那句“频域滤波不过是用一个模板去乘频谱”到底怎么落地。常见的频域滤波器——理想、巴特沃斯、高斯三大类再加高通、带阻这些衍生形态就是频域处理最核心的“模板库”。这篇笔记我按自己的学习顺序来写先把三类低通滤波器的数学定义和图像效果讲透再补上高通和带阻的用法最后给一套可以直接跑的代码和调参经验。适合刚学完傅里叶变换、准备动手做频域实验的读者也适合想系统梳理滤波器异同的人。1. 频域滤波的地基为什么要把图像搬到频域1.1 傅里叶变换与频谱的含义图像本质上是一个二维函数 f(x, y)横纵坐标是像素位置函数值是灰度。傅里叶变换把这个函数拆解成无数不同频率、不同方向的正弦波分量。对图像来说“频率”不是声音那种时间上的快慢而是空间上明暗变化的剧烈程度。一个平坦的背景区域灰度变化缓慢对应的就是低频分量一条边缘或者细纹理灰度在几个像素内剧烈跳变对应的就是高频分量。这个拆解过程我可以打个比方。你去看一块布料的纹理远处看只能看到大致颜色和明暗分布那是低频信息主导的整体印象凑近了才看清纤维走向和编织纹路那是高频信息主导的细节。频域滤波的本质就是决定“哪些频率分量保留、哪些抑制”相当于在布料纹理中挑选你要看整体还是看细节。频谱图里中心点对应零频直流分量也就是整幅图像的平均亮度距离中心越远频率越高。我们常看到的频谱图中心亮、四周暗就是这个道理自然图像的能量大多集中在低频区域边缘和纹理这种高频成分相对稀少但很重要。理解这一点是后面设计滤波器的前提因为所有滤波器的传递函数基本都是在“中心区域和外围区域”做文章。1.2 频域滤波的标准流程频域滤波的操作套路非常固定核心流程分为五步对输入图像做傅里叶变换得到复数频谱 F(u, v)。把频谱的零频分量从左上角搬到中心这步叫频谱中心化对应数学上的频谱平移性质。构造一个与图像等大的滤波器传递函数 H(u, v)它决定每个频率成分的“通过比例”。将 H 与 F 逐元素相乘得到滤波后的频谱 G(u, v) H(u, v) · F(u, v)。对 G 做逆傅里叶变换取实部再裁剪回正常的灰度范围得到空间域的滤波结果 g(x, y)。这里最值得说两句的是第2步。如果不做中心化频谱的零频在左上角滤波器也就得围绕左上角设计做了中心化之后低通滤波器就是一个以图像中心为圆心的圆盘几何意义直观代码也好写。很多人第一次跑频域滤波出来的图是“花的”或者有条纹八成就是中心化步骤没做对后面我单独列一节说这个坑。还有一个隐藏细节傅里叶变换默认输入和输出都是复数。我们显示频谱图时取的是幅值取对数但滤波做乘法时必须在复数域进行不能只对幅值操作。不少初学者直接拿频谱幅值去乘滤波器等于把相位信息全丢了逆变换出来的东西自然面目全非。相位承载着图像的结构信息幅值承载着能量分布信息滤波只改幅值不改相位这是频域操作的基本纪律。2. 三种低通滤波器理想、巴特沃斯、高斯的取舍2.1 理想低通滤波器的振铃问题理想低通滤波器的定义极其简单H(u, v) 1当 D(u, v) ≤ D0 H(u, v) 0当 D(u, v) D0其中 D(u, v) 是点 (u, v) 到频谱中心的距离D0 是截止半径。它像一个绝对的门卫半径以内的频率全部放行半径以外的频率全部拦截没有任何过渡带。这个“绝对”恰恰是问题所在。频域的矩形窗函数对应空间域是 sinc 函数形态的点扩散函数sinc 函数带有明显的正负震荡旁瓣。图像通过这样的滤波器之后边缘附近会出现一圈圈明暗交替的“水波纹”这就是常说的振铃效应。理想低通滤波器的截止越陡峭振铃越明显视觉效果就像图像被“压出”了环状伪影。我第一做理想低通实验时把 D0 设得很小结果出来的图除了模糊边缘处还有一道道弧形光晕当时还以为是代码写错了。后来用一张纯白底黑块的简单图验证才确认这就是振铃。理想低通适合做理论推导和教学演示在实际图像处理里很少直接用因为边缘伪影对后续分析是灾难性的。除非你要处理的是二值化后的简单几何图形振铃影响可控否则不建议选它。2.2 巴特沃斯低通阶数n的平衡艺术巴特沃斯低通滤波器BLPF用一个可控的过渡带换掉了理想滤波器的悬崖式截止H(u, v) 1 / (1 [D(u, v)/D0]^(2n))其中 n 是阶数。当 D D0 时无论 n 取多少H 都等于 0.5这是它的一个稳定参考点。n 越大过渡带越窄越接近理想低通n 越小过渡带越宽振铃越轻但高频成分残留也越多。从实操角度看n1 的巴特沃斯几乎没有振铃但过渡带太宽会明显损失一部分本应保留的中频细节图像发“闷”n2 的巴特沃斯是我用的最多的一档过渡带适中轻微振铃在可接受范围内尤其适合背景不够均匀的自然图像n3 以上振铃开始变得明显好处是保留细节的锐度更高。如果你处理的图像纹理本身就比较丰富又想平滑掉细碎噪声n2 到 n3 之间是个比较合理的区间。有一点值得注意巴特沃斯滤波器是连续的传递函数频谱中高于 D0 的成分并不会被完全清零只是被大幅度衰减。这种“软截止”特性让逆变换后图像灰度更平滑也避免了理想低通那种硬边界带来的空间域震荡。代价是你需要多理解一个参数 n但实际调参并不复杂我通常先固定 n2调整 D0 找到粗细合适的平滑程度再回头微调 n。2.3 高斯低通最自然的选择高斯低通滤波器GLPF定义为H(u, v) exp(-D²(u, v) / (2σ²))σ 可以用等效截止频率 D0 表示当 D D0 时H exp(-1/2) ≈ 0.607。高斯函数的傅里叶变换仍然是高斯函数不会出现旁瓣振荡因此高斯低通在空间域不会产生振铃这是它最大的优势。效果上讲高斯低通给出的是最“自然”的模糊——没有水波纹没有灰度跳变像蒙了一层均匀的薄雾。代价是在相同 D0 下它的高频抑制不如理想低通彻底图像细节保留得相对多一点视觉上就是模糊感稍弱但干净度更好。三种低通滤波器我做过一个并排对比实验用一张带细颗粒噪声的织物表面灰度图虚构项目里的一张实验样图分别设置等效截止频率 D0 使总保留能量都在 90% 左右。结果理想低通的图振铃痕迹明显巴特沃斯 n2 的图干净且保留了一定纹理高斯低通的图最柔和但纹理细节也损失最多。如果说理想低通是锤子巴特沃斯是钳子高斯就是砂纸——砂纸下手最轻但精细打磨时最顺手。滤波器类型过渡带特性振铃风险平滑效果典型适用场景理想低通无过渡带突变截止高模糊且带伪影理论教学、二值图形巴特沃斯低通 n2平滑过渡可调低可控模糊通用图像平滑、去噪高斯低通高斯渐变无自然柔和模糊对伪影敏感的场景3. 高通、带阻与带通从提取边缘到去周期噪声3.1 高通滤波器家族高通滤波器和低通是孪生概念允许高频通过、抑制低频。最简单的构造方法是用全通减去低通H_HP 1 - H_LP。理想高通同样有振铃问题巴特沃斯高通和高斯高通分别继承对应低通的特性。高通滤波的结果直观上就是“边缘图”。因为低频频段承载了图像平均亮度和缓慢变化的背景被抑制之后只剩下亮度跳变明显的边缘和纹理。我之前用一张带有划痕的金属表面样图做测试高斯高通滤波后划痕轮廓清晰显现背景的渐变反光被完全压平了这对后续做缺陷检测帮助很大。参数上有一点需要提醒高通滤波会在抑制低频的同时放大高频噪声。如果原图本身信噪比不高直接高通会让画面铺满颗粒感。我的经验是先做一个轻度高斯低通去掉一部分最粗糙的噪声再对结果做高通相当于把信号先“抛光”再“勾边”效果比单独高通好得多。高通滤波后图像均值会偏离正常灰度所以需要做灰度范围重映射否则显示出来就是一片灰蒙蒙的后面代码部分会写清楚。巴特沃斯高通相对高斯高通在过渡带上更灵活。做边缘提取时如果背景变化比较平滑、边缘能量较强我倾向用 n2 的巴特沃斯高通背景压得更干净如果图像本身纹理细密高斯高通更稳妥不至于把每根细小纹理都当成边缘提取出来。3.2 带阻与带通、陷波滤波器带阻滤波器抑制的是某个频率区间内的成分对应空间域最常见的应用是去除周期性的条纹噪声。比如扫描仪照片中出现的网纹、某些成像设备产生的固定频率干扰它们在频谱上表现为一对对偏离中心较远的亮点。带阻滤波器就是在频谱上挖掉这一圈范围同时保留其它频段。带通滤波器的逻辑与带阻相反它只保留特定频段的成分一般用在需要提取特定尺度纹理的场景。比如某材料的表面纹理分析项目里我需要把周期在 5~20 个像素之间的织纹分离出来就在频域构造了一个环形带通滤波器把其余频段全部清零逆变换后得到的就是目标尺度的纹理分布图。陷波滤波器是带阻的一种极端情况专门消除频谱中某个或某几个孤立频率点。它特别适合处理具有明确周期的干扰信号——比如图像上叠加的条带噪声频谱上就是一对明显的尖峰。陷波滤波的难点在于如何精确定位干扰尖峰的位置我通常的做法是先显示频谱图用鼠标光标读出亮点坐标再为每个坐标构造一个小尺寸的高斯凹陷宽度要刚好覆盖尖峰的能量范围如果挖窄了残留噪声挖宽了则损伤周围频段的信息。这里有一个通用规律空间域的周期性噪声越“规整”在频谱上的能量就越集中。因此凡是能定位到明确尖峰的干扰用陷波滤波最干净而普通随机噪声没有集中频点只能靠低通平滑。区分这两类噪声是选择滤波器的重要前提。4. 实操用一组代码跑通常见频域滤波器4.1 环境与核心函数封装我用的是 Python 3.10 OpenCV NumPyMatplotlib 只用来显示结果图。OpenCV 的cv2.dft和np.fft都能做傅里叶变换但为了和理论笔记对应清楚我习惯用 NumPy 的 FFT 库逻辑更显式。先封装三个基础函数频谱中心化、低通滤波、高通滤波。核心代码骨架如下import numpy as np import cv2 import matplotlib.pyplot as plt def fft2_image(img): 输入灰度图返回中心化后的频谱 f np.fft.fft2(img.astype(np.float32)) f_shift np.fft.fftshift(f) return f_shift def ifft2_image(f_shift): 逆中心化 逆傅里叶变换返回灰度图 f_ishift np.fft.ifftshift(f_shift) img_back np.fft.ifft2(f_ishift) img_back np.real(img_back) return img_back def distance_matrix(shape, centerNone): 生成每个像素到频谱中心的距离矩阵 rows, cols shape if center is None: center (rows // 2, cols // 2) u np.arange(rows) - center[0] v np.arange(cols) - center[1] U, V np.meshgrid(u, v, indexingij) D np.sqrt(U**2 V**2) return D def ideal_lowpass(shape, d0): D distance_matrix(shape) H np.where(D d0, 1.0, 0.0) return H def butterworth_lowpass(shape, d0, n2): D distance_matrix(shape) H 1.0 / (1.0 (D / d0) ** (2 * n)) return H def gaussian_lowpass(shape, d0): D distance_matrix(shape) H np.exp(-(D**2) / (2 * d0**2)) return H注意np.meshgrid的indexingij参数保证距离矩阵的行列方向和图像坐标一致不然滤波器方向会转置出来的结果就是横向条带。高通滤波器不需要单独写一套函数直接用低通的结果取反即可def highpass_from_lowpass(H_lp): return 1.0 - H_lp4.2 参数选择与结果对比我用一张虚构实验图来演示一张 512×512 的芯片表面灰度照片上面有均匀的背景渐变、一条斜向划痕和一些细碎颗粒噪声。这个场景很典型——既有需要保留的结构边缘又有想去除的颗粒噪声能一次性看全低通和高通的效果。先做低通滤波代码流程是img cv2.imread(chip_surface.png, cv2.IMREAD_GRAYSCALE) f_shift fft2_image(img) # 构造巴特沃斯低通D030, n2 H_blp butterworth_lowpass(img.shape, d030, n2) g_shift f_shift * H_blp img_blp ifft2_image(g_shift) img_blp np.clip(img_blp, 0, 255).astype(np.uint8)把 D0 分别设为 15、30、60 跑三组。D015 时背景渐变几乎被完全平滑掉但划痕边缘也明显变钝D030 时颗粒噪声被压下去大半划痕仍然清晰这是我最常用的一组参数D060 时噪声去除不明显图跟原图差别很小但边缘细节保留得最好。这个实验直观解释了“截止频率越小图像越平滑”这条规律的代价——细节和噪声是死敌你能做的只是选一个兼顾两者的平衡点。高通滤波的演示我用高斯高通D025H_ghp highpass_from_lowpass(gaussian_lowpass(img.shape, d025)) g_shift f_shift * H_ghp img_ghp ifft2_image(g_shift) # 重映射到0-255否则图像偏灰 img_ghp cv2.normalize(img_ghp, None, 0, 255, cv2.NORM_MINMAX)如果不做normalize高通结果的灰度范围集中在 0 附近显示出来是一张灰中带亮的图。因为低频被去掉后平均亮度被拉低必须重新拉伸灰度范围才能看清边缘结构。这一步太容易被漏掉我一开始看到“灰蒙蒙一片”还以为算法错了结果只是没做显示前的归一化。带通滤波的环形滤波器构造稍微复杂一点需要在距离矩阵上同时设定内径和外径def bandpass(shape, d0_inner, d0_outer): D distance_matrix(shape) H np.where((D d0_inner) (D d0_outer), 1.0, 0.0) return H注意带通滤波器的内外径之间会引入类似理想的硬截止如果发现输出图像有振铃可以对环形边界做一次高斯平滑过渡效果会自然很多。5. 踩坑实录频域滤波的常见问题排查5.1 振铃效应怎么压振铃几乎都是滤波器传递函数在频域存在陡峭突变导致的。理想低通是重灾区巴特沃斯阶数太高也会出现。如果你发现输出图像边缘有明暗交替的波浪纹先检查滤波器类型和参数——换成高斯滤波器基本立刻消失。还有一种隐蔽的“伪振铃”情况你对频谱做乘法时滤波器构造用的是整数类型矩阵而不是浮点类型导致传递函数产生量化误差也会在输出图边缘出现环状伪影。我在封装函数时一开始用np.zeros生成滤波器然后往里面填1默认浮点没问题但如果用了np.zeros(shape, dtypenp.uint8)再赋 255乘到频谱上就会出鬼。所有滤波器矩阵必须用浮点类型。5.2 图像发灰或出现条纹是怎么回事逆变换后图像发灰最可能的原因是忘了逆中心化也就是用了fft_shift但没有在逆变换前调用ifft_shift。此时零频分量不在正确位置逆变换结果在空间上出现整体灰度偏移看起来就是发灰或者出现奇怪的方块状条纹。还有一种情况是显示时用了复数频谱直接当灰度图。np.fft.ifft2返回的是复数数组需要取实部如果直接把复数数组交给cv2.imshow或者matplotlib.imshow会得到警告甚至错误输出。记得先用np.real取实部再转成uint8显示。5.3 常见问题速查表现象可能原因排查与处理图像出现水波纹振铃滤波器过渡带太陡换高斯滤波器或降低巴特沃斯阶数显式结果整体偏灰逆变换后未做灰度归一化用normalize或手动拉伸到 0-255输出图出现棋盘格条纹中心化/逆中心化不匹配检查fftshift和ifftshift是否成对结果像原图但轻微平移频谱乘了但逆变换时相位处理不当确保在复数域操作不要只对幅值滤波处理结果几乎全黑滤波器矩阵类型不对或尺寸不匹配确认dtypefloat32检查与图像 shape 一致边界出现不对称伪影没对图像做边界扩展用cv2.copyMakeBorder扩边后处理再裁剪6. 我的经验与参数调优心得做频域滤波一段时间后我最深的感受是三大类低通滤波器没有绝对优劣全是场景匹配问题。在某个模拟项目里我需要处理一批零件表面的规则纹理图片目标是去除低频背景渐变、保留表面划痕细节。用巴特沃斯高通 n2、D020 的效果最好但同样是这批图换了一个采集批次后背景渐变变得不太均匀D0 不变则划痕被背景残留干扰调大到 35 之后才稳定。这说明参数根本不是一次定死的换一批数据、换一个光照条件就得重新调。高斯低通和巴特沃斯的选择我推荐一个简单判据如果处理结果要给人看比如做展示图、报告配图用高斯它输出干净。如果处理结果要做进一步的机器分析比如缺陷检测、特征提取用巴特沃斯 n2它在保留结构边缘方面更锐利。写代码时可以把滤波器类型做成字符串参数方便批量对比测试。另外一个小技巧调参时与其一张一张看图不如把频域滤波的保留能量比作为量化指标。保留能量比 滤波后频域幅值平方和 / 原图频域幅值平方和在低通场景下这个值直观告诉你还剩多少信息。我曾用脚本自动遍历 D0 从 10 到 100画出保留能量比曲线再根据经验选拐点附近的值比用人眼一张张看高效得多。这个思路也可以反向用于高通保留能量比越低说明背景压得越狠边缘越突出。这篇笔记是我整个频域学习系列里从“看懂原理”到“能用代码跑出结果”的一个拐点。写完这一篇后面的内容就可以放心地往实际应用方向走了比如同态滤波做光照不均校正、频域增强结合直方图均衡这些都是常见频域滤波器在不同场景下的延伸组合。如果你手边有现成的测试图建议立刻跑一遍上面的代码哪怕只是换几个 D0 看输出差异也比光读笔记涨经验快得多。