二维DFT图像频域分析：从基础原理到实战应用

前言

一维DFT我们已经玩明白了，知道它能把复杂信号拆成一堆正弦波。那二维DFT呢？简单说，就是把这个“拆解魔法”搬到了图像上。一张图片，其实也可以看作是二维信号，二维DFT就能把它拆解成无数个不同方向、不同频率的二维正弦波。

这篇就带大家从原理、公式、代码、实验，一次性把二维DFT吃透，看完你就能看懂图像的频域谱，还能自己动手做滤波、去噪、锐化。

一、二维DFT是什么？

1.1 核心思想

一维DFT是把一维信号（时间序列拆成不同频率的正弦波）；
二维DFT是把二维信号（图像拆成不同频率、不同方向的二维正弦波）。

通俗解释：就像把一张复杂的“油画”，拆成无数个不同粗细、不同方向的“条纹”，这些条纹的频率、强度，就是图像的频域信息。

1.2 数学公式

二维DFT的公式：
F ( u , v ) = ∑ x = 0 M − 1 ∑ y = 0 N − 1 f ( x , y ) ⋅ e − j 2 π ( u x M + v y N ) F(u, v) = \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) \cdot e^{-j2\pi\left(\frac{ux}{M} + \frac{vy}{N}\right)}F(u,v)=x=0∑M−1​y=0∑N−1​f(x,y)⋅e−j2π(Mux​+Nvy​)

每个字母的含义：

• f ( x , y ) f(x,y)f(x,y)：原始图像，x xx是行号，y yy是列号，( x , y ) (x,y)(x,y)是像素坐标
• M MM：图像的高度（行数）
• N NN：图像的宽度（列数）
• F ( u , v ) F(u,v)F(u,v)：频域谱，u uu是水平频率，v vv是垂直频率
• e − j 2 π ( u x M + v y N ) e^{-j2\pi(\frac{ux}{M}+\frac{vy}{N})}e−j2π(Mux​+Nvy​)：复指数函数，负责把图像从时域（空间域）转换到频域
• j jj：虚数单位，j 2 = − 1 j^2=-1j2=−1

逆二维DFT公式（把频域转回去）：
f ( x , y ) = 1 M N ∑ u = 0 M − 1 ∑ v = 0 N − 1 F ( u , v ) ⋅ e j 2 π ( u x M + v y N ) f(x, y) = \frac{1}{MN} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u, v) \cdot e^{j2\pi\left(\frac{ux}{M} + \frac{vy}{N}\right)}f(x,y)=MN1​u=0∑M−1​v=0∑N−1​F(u,v)⋅ej2π(Mux​+Nvy​)

二、二维DFT的频域谱怎么看？

2.1 频域谱的分布规律

直接做二维DFT得到的频域谱，低频部分在四个角落，高频在中间，看起来很别扭。所以通常会用fftshift把频谱中心化，让低频在中心，高频在四周。

中心化后：

• 中心：低频成分，对应图像的整体亮度、大的轮廓
• 四周：高频成分，对应图像的边缘、纹理、噪声
• 对角线：斜向的纹理信息

通俗解释：频域谱的亮度越高，说明这个频率/方向的成分越强。比如一张有很多水平线条的图，频域谱上垂直方向的点会很亮。

2.2 常见图像的频域谱示例

表1 不同图像的频域谱特征

三、核心代码：二维DFT实战

下面是Python实现二维DFT的完整代码，包含频域谱生成、中心化、低通/高通滤波。

importcv2importnumpyasnpimportmatplotlib.pyplotasplt# ===================== 解决中文显示 =====================plt.rcParams["font.family"]=["SimHei","WenQuanYi Micro Hei","Heiti TC"]plt.rcParams["axes.unicode_minus"]=False# 负号正常显示# ========================================================# 1. 读取彩色图像 + 预处理defload_image(path):img=cv2.imread(path)# 读取彩色图returnimg# shape (H, W, 3)# 2. 对 单通道 做二维DFT + 中心化defdft_channel(channel):img_float=np.float32(channel)dft=cv2.dft(img_float,flags=cv2.DFT_COMPLEX_OUTPUT)dft_shift=np.fft.fftshift(dft)magnitude=20*np.log(cv2.magnitude(dft_shift[:,:,0],dft_shift[:,:,1])+1e-8)returndft_shift,magnitude# 3. 彩色图像 DFT（三通道分别处理）defdft_image(img):b,g,r=cv2.split(img)dft_b,mag_b=dft_channel(b)dft_g,mag_g=dft_channel(g)dft_r,mag_r=dft_channel(r)return(dft_b,dft_g,dft_r),(mag_b,mag_g,mag_r)# 4. 单通道低通滤波deflow_pass_channel(dft_shift,radius=30):rows,cols=dft_shift.shape[:2]crow,ccol=rows//2,cols//2mask=np.zeros((rows,cols,2),np.float32)cv2.circle(mask,(ccol,crow),radius,(1,1),-1)filtered_dft=dft_shift*mask filtered_dft_shift=np.fft.ifftshift(filtered_dft)img_back=cv2.idft(filtered_dft_shift)img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])cv2.normalize(img_back,img_back,0,255,cv2.NORM_MINMAX)returnnp.uint8(img_back)# 5. 彩色低通滤波deflow_pass_filter(dft_tuple,radius=30):dft_b,dft_g,dft_r=dft_tuple b=low_pass_channel(dft_b,radius)g=low_pass_channel(dft_g,radius)r=low_pass_channel(dft_r,radius)returncv2.merge((b,g,r))# 6. 单通道高通滤波defhigh_pass_channel(dft_shift,radius=30):rows,cols=dft_shift.shape[:2]crow,ccol=rows//2,cols//2mask=np.ones((rows,cols,2),np.float32)cv2.circle(mask,(ccol,crow),radius,(0,0),-1)filtered_dft=dft_shift*mask filtered_dft_shift=np.fft.ifftshift(filtered_dft)img_back=cv2.idft(filtered_dft_shift)img_back=cv2.magnitude(img_back[:,:,0],img_back[:,:,1])cv2.normalize(img_back,img_back,0,255,cv2.NORM_MINMAX)returnnp.uint8(img_back)# 7. 彩色高通滤波defhigh_pass_filter(dft_tuple,radius=30):dft_b,dft_g,dft_r=dft_tuple b=high_pass_channel(dft_b,radius)g=high_pass_channel(dft_g,radius)r=high_pass_channel(dft_r,radius)returncv2.merge((b,g,r))# 主函数defmain():img_path="D:/datasets/test/cat.png"# 你的彩色图路径img=load_image(img_path)dft_tuple,mag_tuple=dft_image(img)low_pass_img=low_pass_filter(dft_tuple,radius=50)high_pass_img=high_pass_filter(dft_tuple,radius=50)# 合并频域幅度谱（取平均显示）mag_show=(mag_tuple[0]+mag_tuple[1]+mag_tuple[2])/3# 画图（中文正常显示）plt.figure(figsize=(12,8))plt.subplot(221),plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)),plt.title('原图')plt.subplot(222),plt.imshow(mag_show,cmap='gray'),plt.title('中心化频域谱')plt.subplot(223),plt.imshow(cv2.cvtColor(low_pass_img,cv2.COLOR_BGR2RGB)),plt.title('低通滤波（去噪/模糊）')plt.subplot(224),plt.imshow(cv2.cvtColor(high_pass_img,cv2.COLOR_BGR2RGB)),plt.title('高通滤波（边缘提取）')plt.show()if__name__=="__main__":main()

四、实验分析：滤波效果对比

4.1 低通滤波效果

• 原图：清晰但有噪声/细节
• 低通滤波后：图像变模糊，噪声消失，保留了整体轮廓
• 原理：去掉了频域四周的高频噪声，只保留中心低频

通俗解释：低通滤波就是“去噪+模糊”，适合去除图像中的颗粒噪声。

4.2 高通滤波效果

• 原图：包含丰富纹理和边缘
• 高通滤波后：只保留了边缘和纹理，整体亮度消失
• 原理：去掉了频域中心的低频亮度，只保留四周高频

通俗解释：高通滤波就是“边缘提取+锐化”，适合检测图像的轮廓和细节。

表2 不同半径的低通滤波效果对比

五、常见问题与注意事项

5.1 为什么频域谱要中心化？

原始DFT的低频在四个角落，不便于观察和滤波。中心化后低频在中心，高频在四周，滤波时直接在中心画圆即可，操作更直观。

5.2 为什么要对频域谱取对数？

频域谱的动态范围很大，直接显示会导致中心过亮、四周过暗，看不清细节。取对数可以压缩动态范围，让高低频的差异更明显。

5.3 滤波时掩码的半径怎么选？

半径越小，保留的低频越少，低通滤波效果越强（图像越模糊）；半径越大，保留的高频越少，高通滤波效果越强（边缘越明显）。一般可以通过调试找到适合的半径。

六、二维DFT的应用场景

1. 图像去噪：用低通滤波去除高频噪声
2. 边缘检测：用高通滤波提取图像边缘
3. 图像压缩：保留低频信息，丢弃高频冗余信息
4. 图像增强：通过频域处理提升图像对比度
5. 纹理分析：通过频域谱判断图像的纹理方向和频率

七、总结

二维DFT把图像从空间域转换到频域，让我们能更直观地分析和处理图像的频率成分。低通滤波去噪、高通滤波提取边缘，都是二维DFT最经典的应用。

这篇博客从原理、公式、代码到实验，完整覆盖了二维DFT的核心内容，大家可以用上面的代码跑一遍，亲自感受一下频域处理的神奇效果。