Python+OpenCV实战：5分钟搞定图像频域滤波（附完整代码）

第一次接触频域滤波时，我被那些数学公式吓得不轻。直到某天深夜调试代码时，无意中把傅里叶变换后的频谱图显示出来——那些明暗相间的环状图案突然让我明白：原来图像处理可以这么直观！本文就用最直白的代码，带你在5分钟内掌握四种频域滤波的实战技巧。

1. 环境准备与基础概念

在开始写代码前，我们需要明确几个关键点。频域滤波的核心思想是：图像中的不同特征对应着不同的频率。低频代表平缓变化的区域（如蓝天背景），高频则对应快速变化的边缘和纹理（如发丝或文字轮廓）。

安装依赖只需两行命令：

pip install opencv-python numpy matplotlib

理解频域滤波的三步流程：

1. 傅里叶变换：将图像从空间域转换到频域
2. 滤波操作：在频域修改频率成分
3. 逆变换：将处理后的频域数据转回图像

小技巧：OpenCV的cv2.dft()比numpy.fft更快，但本文使用NumPy版本来保持代码一致性

2. 低通滤波实战：图像降噪

去年处理监控视频时，我发现低通滤波能有效消除雨雪噪声。下面这段代码创建了一个可调节的巴特沃斯低通滤波器：

import cv2 import numpy as np import matplotlib.pyplot as plt def butterworth_lpf(shape, cutoff, order=2): rows, cols = shape u = np.arange(rows) - rows//2 v = np.arange(cols) - cols//2 U, V = np.meshgrid(u, v) D = np.sqrt(U**2 + V**2) return 1 / (1 + (D/cutoff)**(2*order)) img = cv2.imread('noisy_image.jpg', 0) dft = np.fft.fft2(img) dft_shift = np.fft.fftshift(dft) # 创建滤波器（截止频率50，阶数2） lpf = butterworth_lpf(img.shape, 50) filtered = dft_shift * lpf # 逆变换 idft = np.fft.ifftshift(filtered) result = np.abs(np.fft.ifft2(idft)) plt.subplot(121), plt.imshow(img, cmap='gray') plt.subplot(122), plt.imshow(result, cmap='gray') plt.show()

参数调整建议：

• 截止频率：数值越小图像越模糊（典型值30-100）
• 阶数：控制过渡带陡峭程度（常用2-4阶）

3. 高通滤波技巧：边缘增强

在文档扫描应用中，高通滤波能让模糊的文字重新清晰。与低通滤波相反，我们只需要修改滤波器公式：

def butterworth_hpf(shape, cutoff, order=2): # ...同上计算D... return 1 - (1 / (1 + (D/cutoff)**(2*order))) hpf = butterworth_hpf(img.shape, 30) filtered = dft_shift * hpf

实际应用中发现两个关键点：

1. 高通滤波后图像会出现灰度偏移，需要做归一化：

   result = cv2.normalize(result, None, 0, 255, cv2.NORM_MINMAX)

2. 结合原图能获得更自然的锐化效果：

   sharpened = cv2.addWeighted(img, 0.7, result, 0.3, 0)

4. 带通/带阻滤波的特殊应用

去年修复老照片时，带阻滤波帮我消除了扫描产生的摩尔纹。这两种滤波器需要定义中心频率和带宽：

def butterworth_bandstop(shape, center, width, order=2): # ...计算D... return 1 / (1 + ((D*width)/(D**2-center**2))**(2*order)) bsf = butterworth_bandstop(img.shape, 100, 30)

常见应用场景：

• 带通滤波：提取特定纹理（如指纹识别）
• 带阻滤波：消除周期性噪声（如扫描线）

5. 综合案例：证件照处理流水线

最近帮朋友优化证件照时，我开发了这个处理流程：

1. 降噪：用低通滤波（cutoff=40）消除皮肤噪点
2. 锐化：高通滤波（cutoff=25）增强五官轮廓
3. 去背景纹：带阻滤波消除布料纹理（center=80, width=20）

# 完整处理链 def process_id_photo(img_path): img = cv2.imread(img_path, 0) dft = np.fft.fftshift(np.fft.fft2(img)) # 三步滤波 lpf = butterworth_lpf(img.shape, 40) hpf = butterworth_hpf(img.shape, 25) bsf = butterworth_bandstop(img.shape, 80, 20) combined_filter = lpf * hpf * bsf result = np.abs(np.fft.ifft2(np.fft.ifftshift(dft * combined_filter))) return cv2.normalize(result, None, 0, 255, cv2.NORM_MINMAX)

调试时发现一个有趣现象：滤波器的叠加顺序会显著影响最终效果。经过多次测试，先降噪再锐化的顺序能获得最佳平衡。