频率域滤波
傅里叶变换 / DFT / FFT · 频谱与相角 · 卷积定理 · 理想/巴特沃思/高斯低通与高通滤波 · 振铃效应。
🎯学习目标
- 理解正交/酉变换、傅里叶变换及反变换（一维/二维、连续/离散 DFT）；
- 掌握傅里叶变换性质：平移、旋转、周期性、共轭对称、可分离性；
- 理解频谱（幅度）与相角的含义，频谱表灰度、相角表形状；
- 掌握卷积定理与 FFT 的思想及复杂度（M²→M·log₂M）；
- 掌握三种低通（理想/巴特沃思/高斯）与三种高通滤波器及振铃效应；
- 理解空间域与频率域滤波的对应关系。
1正交变换基础
一组正交函数集合 U={u₀,u₁,…} 可作为信号分析的"基轴"；归一化后每个为单位向量。完备正交集合可把连续函数 f(x) 作正交分解（系数 aₙ=⟨f, uₙ⟩）。
| 变换 | 正交条件 |
|---|---|
| 正交变换（实矩阵） | U·Uᵀ=I（行/列正交），反变换用转置 |
| 酉变换（复矩阵） | A·A*ᵀ=I（A* 为复共轭），正交变换是酉变换的特例 |
二维酉变换核可分离（通常取 A=B）：先做行变换再做列变换。反变换中 a*(x,y) 是基图像，F(u,v) 是权因子，图像可表示为 N² 个基图像的加权和。点击卡片翻转查看要点：
📏
正交性
Orthogonality基函数互相正交（内积为0），U·Uᵀ=I。保证变换可逆、能量守恒
🧩
完备性
Completeness基集合足够"全"，任意函数都能由基线性表出。正交+完备 → 可用于信号分析
✂️
可分离性
Separability二维变换核可拆成两个一维核（A=B）：先行后列。这是二维 FFT 加速的基础
2傅里叶变换与 DFT ⭐
周期函数可表示成正弦与余弦之和（傅里叶级数）。变换公式：
一维连续 FT： F(u) = ∫ f(x) e^{-j2πux} dx
一维离散 DFT： F(u) = Σ_{x=0}^{M-1} f(x) e^{-j2πux/M} (u=0…M-1)
反变换 IDFT： f(x) = (1/M) Σ F(u) e^{+j2πux/M}
二维 DFT： F(u,v) = Σ_x Σ_y f(x,y) e^{-j2π(ux/M + vy/N)}
（u,v 频率变量；x,y 空间变量；离散后 f、F 均周期）💡 正交变换视角DFT 可写成矩阵乘 g=Hf，H 的每一行是一个基向量 e^{-j2πux/N}；变换值 = f 与该基向量的内积。二维 DFT = U·F·Vᵀ（先列变换再行变换）。
3傅里叶变换的性质
| 性质 | 要点 |
|---|---|
| 平移 | 空域乘指数项 → 频域中心平移；f(x,y) 的平移不改变频谱幅值（只改相位）。用 (-1)^(x+y) 乘 f 可把频谱原点移到 (M/2,N/2) 中心 |
| 分配律 | 对加法满足分配律，对乘法不满足 |
| 尺度变换 | 空域放大 → 频域缩小（及幅度缩放） |
| 旋转 | f 旋转 θ，则 F 也旋转相同角度 θ |
| 周期性 | 二维 DFT 在两方向都无限周期 |
| 共轭对称 | 实函数 f 的 FT 满足 F(-u,-v)=F*(u,v)，频谱关于原点偶对称 |
| 可分离性 | 二维 FT = 先对每行做一维 FT，再对每列做一维 FT（或先列后行） |
⭐ 平移与相位对图像做平移，幅度谱 |F(u,v)| 不变，变化的只是相位谱。这与"频谱表强度、相角表位置/形状"一致。
4频谱与相角
极坐标表示：F(u,v) = |F(u,v)| · e^{jφ(u,v)}
幅度/频谱： |F(u,v)| = √[R²(u,v) + I²(u,v)]
功率谱： P(u,v) = R² + I²
相角/相位谱： φ(u,v) = arctan[I(u,v)/R(u,v)]
原点处： F(0,0) = M·N·平均灰度 （频谱最大成分=直流分量）图1 · 频谱中心化：低频（慢变化/平均灰度）集中于中心，高频（边缘/噪声）在外围
💡 频谱 vs 相角实验表明：仅用频谱重构 → 表达灰度（强度）；仅用相角重构 → 表达形状（轮廓）。相角携带了图像的结构信息。
5卷积定理与 FFT ⭐
卷积定理
空间域卷积 ⇔ 频率域乘积： f(x,y) * h(x,y) ⇔ F(u,v)·H(u,v)
空间域乘积 ⇔ 频率域卷积
为避免周期延拓造成的"缠绕错误"，需对 f、h 补零（0 填充）：
两等大 M×N 阵列要求 P≥2M-1, Q≥2N-1（一维 P≥A+B-1）快速傅里叶变换 FFT
直接 DFT 复数乘加次数正比于 M²；FFT 利用奇偶分解（设 M=2ⁿ）只需 M·log₂M 次运算。
F(u) = F_even(u) + F_odd(u)·W_M^u u=0…K-1 (K=M/2)
F(u+K) = F_even(u) - F_odd(u)·W_M^u 其中 W_M=e^{-j2π/M}
思想：把 M 点 DFT 拆成两个 M/2 点 DFT，递归分解到单点。⭐ FFT 加速比若 M=1024≈10³，直接法约需 10⁶ 次计算，FFT 仅约 10⁴ 次，比值约 1:100。二维 FFT 借助可分离性由两次一维 FFT 完成。
相关性：f 与 h 的相关用于模板匹配——若匹配，相关值在对应位置达到最大；自相关是复数模平方的反变换。
6频率域滤波的步骤
- 对 M×N 图像 f(x,y) 补零，得到 P×Q 图像 f_p；
- 用 (-1)^(x+y) 乘输入图像，进行中心化；
- 计算 DFT，得到 F(u,v)；
- 用滤波器函数 H(u,v) 逐元素乘以 F(u,v)；
- 计算结果的反 DFT；
- 取结果的实部；
- 再用 (-1)^(x+y) 乘，取消中心化乘数，得到输出。
💡 关键H 与 F 的相乘是逐元素的；F 一般为复数、H 一般为实数。当 H 为零相移滤波器时不改变变换的相位。陷波滤波器令 F(0,0)=0 会使整体平均灰度下降。
7频率域平滑（低通）滤波器 ⭐
低通滤波器使低频通过、衰减高频 → 图像模糊（边缘/噪声等高频被滤除），对应空域均值滤波。D(u,v) 为到频率矩形中心的距离，D₀ 为截止频率。
| 滤波器 | 传递函数 H(u,v) | 特点 |
|---|---|---|
| 理想低通 ILPF | D≤D₀ 时为 1，否则为 0 | 急剧截断；振铃严重 |
| 巴特沃思低通 BLPF（n阶） | 1 / [1 + (D/D₀)^{2n}] | 过渡平滑；D=D₀ 时 H=0.5；介于理想与高斯之间 |
| 高斯低通 GLPF | e^{-D²/(2D₀²)} | 最平滑；D=D₀ 时降到最大值 0.607；无振铃 |
图2 · 三种低通滤波器横截面：理想急剧截断，高斯最平滑，巴特沃思居中
⭐ 振铃效应（Ringing）理想低通在空间域 h(x,y) 呈圆环波纹（中心波瓣 + 外侧小波瓣），卷积后在边缘附近产生明暗交替的"波纹"，即振铃。D₀ 越小模糊越强、振铃越明显。BLPF（n=1 无振铃，n 越大越接近 ILPF）和 GLPF（无振铃）可缓解。
应用：字符识别（模糊桥接断裂字符）、印刷出版（柔化人脸细纹）、卫星/航空图像（模糊细节保留大特征）。
8频率域锐化（高通）滤波器 ⭐
高通滤波器使高频通过、衰减低频 → 突出边缘等细节（图像锐化），对应空域梯度/拉普拉斯。通常 H_HP = 1 - H_LP。
| 滤波器 | 传递函数 H(u,v) | 特点 |
|---|---|---|
| 理想高通 IHPF | D≤D₀ 时为 0，否则为 1 | 振铃明显（D₀=15、30 尤甚） |
| 巴特沃思高通 BHPF | 1 / [1 + (D₀/D)^{2n}] | 比 IHPF 平滑得多 |
| 高斯高通 GHPF | 1 - e^{-D²/(2D₀²)} | 比 BHPF、IHPF 更平滑 |
频率域拉普拉斯：H(u,v) = -(u²+v²)，中心化后 H(u,v)=-[(u-M/2)²+(v-N/2)²]；增强图像 g = f - ∇²f。由于 F(0,0) 被置 0，高通结果较暗、几乎无平滑灰度细节，可对滤波器加常数（高频加强）改进。
图3 · 高通滤波器：阻低频、通高频，与低通互补（H_HP=1-H_LP）
9空间域与频率域的关系
- 空间域和频率域中的滤波器组成傅里叶变换对：已知频域滤波器反变换可得空域滤波器，反之亦然。
- 滤波在频率域更直观（直接看通带/阻带），但空间域常用更小的模板。
- 高斯函数特性：H(u) 轮廓越宽（σ 大）则 h(x) 轮廓越窄；σ→∞ 时 H 趋于常量、h 趋于冲激。
- 频率域低通越窄 → 滤除低频越多 → 图像越模糊；对应空域低通越宽、模板越大。
- 可用高斯函数之差构造高通（DoG）等复杂滤波器。
⭐ 核心纽带卷积定理是空间域滤波与频率域滤波之间的纽带：空间域卷积 = 频率域逐元素相乘后反变换。
⭐重点例题
例题1：判断低通/高通效果
某频率域滤波后图像变得模糊、边缘减弱，判断滤波器类型。
解：模糊说明高频（边缘、噪声）被衰减、低频通过 ⇒ 是低通滤波器。反之若图像被锐化、突出边缘则为高通。
解：模糊说明高频（边缘、噪声）被衰减、低频通过 ⇒ 是低通滤波器。反之若图像被锐化、突出边缘则为高通。
例题2：FFT 加速比
M=1024 时，直接 DFT 与 FFT 的运算量之比约为？
解：直接法 ∝ M²=1024²≈10⁶；FFT ∝ M·log₂M=1024×10≈10⁴。比值 ≈ 1:100。
解：直接法 ∝ M²=1024²≈10⁶；FFT ∝ M·log₂M=1024×10≈10⁴。比值 ≈ 1:100。
例题3：为什么理想低通有振铃而高斯没有？
答：理想低通在频域是陡峭矩形（急剧截断），其空间域反变换 h(x) 是 sinc 型函数，带有正负交替的外侧波瓣，卷积后在边缘产生明暗波纹（振铃）。高斯滤波器的反变换仍是高斯（非负、无波瓣），故无振铃。
例题4：平移对频谱的影响
把图像整体平移后，幅度谱会变化吗？
答：不会。由平移性质，空域平移只给频域乘一个相位因子 e^{-j2π(…)}，幅值 |F(u,v)| 保持不变，改变的是相位谱。
答：不会。由平移性质，空域平移只给频域乘一个相位因子 e^{-j2π(…)}，幅值 |F(u,v)| 保持不变，改变的是相位谱。
🎯自测（点击展开）
傅里叶变换在原点 F(0,0) 等于什么？
F(0,0)=M·N·平均灰度，是频谱最大成分（直流分量）。
低通滤波器对图像有什么效果？为什么？
使图像模糊：低通让低频通过、衰减高频，而边缘/噪声等细节在高频。
三种低通滤波器中哪个无振铃、哪个振铃最严重？
高斯低通无振铃；理想低通振铃最严重；巴特沃思居中（阶数越高越像理想）。
FFT 把 DFT 的复杂度从多少降到多少？
从 ∝M² 降到 ∝M·log₂M。
对图像做平移，幅度谱会改变吗？
不会，只改变相位谱（平移性质）。
为什么频率域卷积前要对图像补零？
DFT 隐含周期延拓，补零避免相邻周期数据造成的缠绕错误（P≥2M-1）。
📝强化题库
选择题点选即时判分；填空题输入后"检查"或"显示答案"。
已答 0/0答对 0正确率 —
已答 0/0答对 0