搞图像处理的朋友，十有八九都撞见过横条纹：老照片扫描出来一层明暗交替的纹路，工业相机采回的图像带着均匀横向干扰，监控视频截个图也被扫出几道横杠。这种噪声压在图上特别碍眼，空域里换中值滤波、均值滤波轮番试，要么把条纹越搞越糊，要么压根压不下去。我去年处理一批归档扫描件就踩了这个坑，最后是转到频域，用四阶巴特沃斯陷波滤波器，把横条纹对应的频率成分定向压掉，几分钟就搞定。这篇就把整个思路、参数原理和一套可直接复现的MATLAB代码完整分享出来，给正被横条纹折磨的朋友一个能抄作业的解法。
1. 横条纹噪声为什么难处理
1.1 空域滤波的天然局限
先说结论：横条纹不是普通的随机噪声，它是周期性噪声，空域滤波器处理周期性噪声天生吃亏。
中值滤波、均值滤波这类操作，本质上是拿一个局部窗口在图像上滑动，用窗口内像素的统计值替换中心像素。这个逻辑对高斯噪声、椒盐噪声这类随机分布的噪声有效，因为噪声点周围的正常像素能“拉”它一把。但横条纹是全局性的、有规律的明暗变化，任何局部窗口里看到的都只是条纹的一小段，窗口根本没有足够的上下文判断哪些是纹理、哪些是条纹。结果就是窗口开小了压不住条纹，开大了把图像的细节一并抹掉。
我刚开始处理扫描件的时候也是这个思路，先上3x3中值滤波，发现条纹纹丝不动，换成5x5、7x7，条纹是淡了一点，但画面上文字的边缘全糊了，人脸皮肤也变成了塑料质感。折腾一下午，效果图拿给同事看，对方第一句话就是“这图怎么像磨皮美颜过”。这就是空域滤波处理周期性噪声的典型下场。
换一个角度来看，横条纹之所以难弄，是因为它和图像内容在空间上是叠加在一起的，你在像素域里看到的是“原始画面+条纹”的混合体。只要还是在空间域里操作，就永远要在“去条纹”和“保细节”之间艰难权衡，而这两者在像素级上是纠缠在一起的。
1.2 换到频域看横条纹的真面目
傅里叶变换的思路完全不一样——它不直接在像素上动手，而是把整张图拆解成不同频率、不同方向的正弦波分量。每张图像都可以看成无数个正弦波的叠加：低频分量对应图像中大面积的亮度变化，高频分量对应边缘、纹理这些细节。把图像变换到频域之后，噪声和细节就不再是空间上纠缠的混合体，而是分布在不同频率坐标上的独立成分。
最关键的是，周期性条纹在频域里的表现极其有辨识度。横条纹在空间上是水平方向延伸、垂直方向周期变化的，也就是说它只在垂直方向上存在频率变化。对应到频谱上，它不会像随机噪声那样铺满整个高频区域，而是集中在垂直频率轴附近，形成一对关于中心对称的明亮斑点。这个亮斑的位置直接反映了条纹的周期：条纹越密，亮斑离频谱中心越远；条纹越疏，亮斑离中心越近。
看到频谱上这几个孤立的亮点，思路一下就清晰了——既然横条纹的“能量”集中在这么几个点上，那只要把这几个点附近的频率成分压掉，图像里的条纹自然就消失了，而其他频率成分几乎不受影响，细节也就保住了。这就是频域去噪的核心思想：不是把整幅图模糊掉，而是精准打击。
1.3 为什么偏偏选巴特沃斯
频域去噪的方案不止一种，理想陷波滤波器最简单，直接在频谱上把特定区域的数值置零就行。但理想滤波器的频率响应是硬跳变的，通带和阻带之间没有任何过渡，这会在滤波后产生明显的振铃效应——图像边缘附近出现一圈一圈的水波纹，这在视觉上甚至比原来的横条纹还难受。
高斯滤波器倒是平滑了，但它的过渡带比较宽，选择性不够强。想要在“压得住噪声”和“保得住细节”之间找到平衡点，巴特沃斯滤波器是最合适的选择。它的频率响应在通带内非常平坦，过渡带又是平滑下降的，而且可以通过调节阶数控制过渡带陡峭程度。阶数越高，过渡带越窄，越接近理想滤波器，但振铃风险也随之上升。
四阶是我在实际项目里反复对比后的一个经验值。四阶巴特沃斯的过渡带足够窄，能把噪声频率点和周围的正常频率分得很开，同时又不会像高阶那样在图像边缘附近激起明显的振铃。这个平衡点对于绝大多数的横条纹去除场景都成立，这也是标题里专门强调“四阶”的原因。
2. 陷波滤波器设计与参数原理
2.1 从带阻到陷波：不是所有频带都要切
如果理解到横条纹在频域里是几个孤立的亮斑，那最合理的处理方案自然不是把整个圆周切掉，而是只针对这几个亮斑做定向抑制。带阻滤波器是以频谱中心为圆心、以某个频率为半径，把整个圆环上的频率全部衰减。但图像中的纹理细节分布在整个频率平面里，很可能在这个圆环的其它方向上有大量有用的高频信息。用带阻滤波器去处理横条纹，属于“杀敌一千自损八百”。
陷波滤波器（Notch Filter）就是专门为这种情况设计的。它的作用范围不是整个圆环，而是频域中一个很小的局部区域——准确地说，是以某个特定频率点为中心的一个小邻域。对于横条纹来说，就是在频谱垂直方向上的两个对称亮斑附近各放一个窄带衰减区，把条纹对应的频率成分压制下去，其余方向的频率成分原样保留。可以说，陷波滤波器是“精准手术刀”，而带阻滤波器是“大范围化疗”。
这也是我在项目里首选陷波方案的根本原因。横条纹的频谱特征本身就是点状的，用点状的滤波器去匹配，才能做到既去噪又不伤画质。
2.2 四阶巴特沃斯陷波的数学表达
陷波滤波器是围绕一个中心频率点设计的，它的核心是计算频域中每个像素到陷波中心的距离。假设陷波中心坐标为 (u0, v0)，频域中任意一点 (u, v) 到该中心的距离为：
Dk = sqrt((u - u0)^2 + (v - v0)^2)
在这个距离定义的基础上，四阶巴特沃斯陷波滤波器的频率响应可以写成：
Hk = 1 - 1 / (1 + (Dk / R)^(2n))
其中 R 是陷波半径，控制阻带的宽度；n 是阶数，取4。当 Dk 等于 0 时，也就是频点正好落在陷波中心上，Hk = 0，该频率被完全抑制；当 Dk 等于 R 时，Hk = 0.5，也就是半功率点，此时过渡带开始起作用；当 Dk 远大于 R 时，Hk 趋向于 1，该频率几乎不受影响。
如果条纹对应的亮斑不止一对，比如图像中存在多重横条纹周期，那就分别对每个亮斑构造一个陷波滤波器，然后把它们逐点相乘，得到一个总的滤波器掩膜：
H_total = H1 · H2 · H3 · …
这种串联方式的物理含义非常直观：经过第一个陷波，某个噪声频率被压掉；经过第二个陷波，另一个噪声频率被压掉。因为每个陷波滤波器在远离自身中心时都接近于1，所以它们之间的相互干扰极小，串联不会对非目标频率造成额外损失。
2.3 三个关键参数，少一个都不行
陷波滤波器看起来是几行公式，但真正用起来无非是调三个参数：陷波中心位置 (u0, v0)、陷波半径 R、阶数 n。这三个参数各有各的脾气。
陷波中心位置决定“打哪里”。这是整个滤波过程里最关键的参数。定位不准，滤波器的衰减区域就会偏离真正的噪声频率点，要么条纹残存，要么把不该压的频率压掉了。实际操作中，这个位置不是猜出来的，而是从幅度谱上直接读出来的——在MATLAB的figure窗口里用Data Cursor点一下亮斑，坐标自然就出来了。
陷波半径决定“打多大范围”。R取值太小，阻带覆盖不了噪声频率的扩展范围，条纹会残留；R取值太大，正常频率成分被连坐，图像细节损失明显。我一般从 R = 10 左右开始试，观察效果再微调。
阶数决定“过渡带多陡”。n=1时过渡带非常平缓，带外衰减慢，虽然不会振铃，但选择性太差；n=2到n=4逐渐变陡；n=6以上过渡带已经很陡，接近理想的矩形响应，但振铃风险迅速上升。横条纹场景，四阶是一个省心的默认值。
3. MATLAB实战：完整代码与逐段讲解
3.1 准备工作与整体流程
运行环境方面，这套代码在MATLAB R2016b以上版本都可以直接跑，不需要任何额外工具箱——fft2、fftshift、ifft2这些都是MATLAB的基础函数，图像处理工具箱在读取图像时会用到，如果只是用内置图像做测试，基本环境就够用。
整体流程分成六步：读图与灰度化、傅里叶变换与中心化、构造频率坐标网格、生成陷波滤波器掩膜、频域滤波与逆变换、结果可视化与保存。这个流程是频域图像处理的通用框架，换一种噪声类型，只需要改掩膜生成那一部分，其余步骤可以原封不动复用。
3.2 图像读取与傅里叶变换
先读入图像。如果输入是彩色图，先用 rgb2gray 转成灰度图，因为横条纹的频率特征在亮度通道上最明显。然后转成 double 类型，fft2 对 double 类型的输入处理精度最高。
傅里叶变换本身没什么可说的，一个 fft2 调用就完成了。但有一个非常关键的细节：fft2 计算出来的频谱，零频分量在左上角，直接看幅度谱是一片以左上角为最亮点的图，高频分布在四周，这不符合我们的操作习惯。所以第二步用 fftshift 把零频移到矩阵中心，让频谱呈现“中间亮、四周暗”的直观形态，所有以中心为基准的频率坐标计算都以这个中心化后的频谱为准。
3.3 构造频率坐标网格
这一步是整个实现里最容易懵的地方。图像的尺寸是 M 行 N 列，对应的频率坐标网格也是 M 行 N 列，其中每个点代表一个频率值。u 的方向对应图像的列方向（水平方向），v 的方向对应图像的行方向（垂直方向）。用 meshgrid 生成两个矩阵 U 和 V，U 给出每个像素点处的水平频率坐标，V 给出每个像素点处的垂直频率坐标。
坐标值的范围是从 -floor(N/2) 到 N-1-floor(N/2)，这个范围是跟 fftshift 后的频谱对齐的。以一幅大小为 512x512 的图像为例，频谱中心点对应坐标 (0,0)，最左侧的频率坐标是 -256，最右侧是 255。后面算陷波中心和像素距离，全部在这个坐标系里进行。
3.4 生成陷波掩膜与频率响应分析
滤波器的掩膜和图像一样是一个矩阵。初始化一个全1矩阵 H，然后针对每一对陷波中心，计算频域中每个点到该中心的距离 Dk，按照四阶巴特沃斯公式算出陷波响应 Hk，再把 H 与 Hk 逐点相乘。
陷波中心怎么填？对于横条纹来说，亮斑出现在垂直频率轴上，也就是 u0 = 0，v0 = ±某个值。绝对值的大小取决于条纹的周期。举个例子，如果条纹的周期是16个像素，在512像素高的图像里，亮斑大致出现在 v0 ≈ ±32 的位置。这个数值不用精确推算，直接从幅度谱上点一下就能拿到。
3.5 完整可运行代码
%% ============================================= % MATLAB 四阶巴特沃斯陷波滤波 去除图像横条纹 % 适用版本：R2016b 及以上 %% ============================================= clear; clc; close all; %% 1. 读入图像并灰度化 img = imread('stripes_demo.png'); % 替换成你自己的图像路径 if size(img, 3) == 3 gray = rgb2gray(img); else gray = img; end A = double(gray); [M, N] = size(A); %% 2. 傅里叶变换与中心化 F = fft2(A); Fc = fftshift(F); % 零频移到中心 S = log(1 + abs(Fc)); % 幅度谱，便于观察 %% 3. 构造频率坐标网格 u = (0:N-1) - floor(N/2); % 水平频率分量 v = (0:M-1) - floor(M/2); % 垂直频率分量 [U, V] = meshgrid(u, v); %% 4. 设置陷波参数（核心！根据你的频谱亮斑位置修改） notch_centers = [ 0, 32; % 亮斑A（先点频谱图确认精确坐标） 0, -32; % 亮斑B（关于中心对称） ]; notch_radius = 12; % 陷波半径，控制阻带宽度 n = 4; % 四阶巴特沃斯 %% 5. 生成四阶巴特沃斯陷波滤波器掩膜 H = ones(M, N); for k = 1:size(notch_centers, 1) u0 = notch_centers(k, 1); v0 = notch_centers(k, 2); Dk = sqrt((U - u0).^2 + (V - v0).^2); % 四阶巴特沃斯陷波响应，Dk=0时衰减到0，远处趋近1 Hk = 1 - 1 ./ (1 + (Dk / notch_radius).^(2*n)); H = H .* Hk; end %% 6. 频域滤波并还原到空间域 Gc = Fc .* H; G = ifftshift(Gc); % 频谱中心移回左上角 g = real(ifft2(G)); % 逆傅里叶变换取实部 g = max(0, min(255, g)); % 防止像素值越界 %% 7. 可视化：原始图、幅度谱、滤波器掩膜、去噪结果 figure('Name', '四阶巴特沃斯陷波滤波去横条纹', 'NumberTitle', 'off'); subplot(2, 2, 1); imshow(uint8(A)); title('原始图像'); subplot(2, 2, 2); imshow(S, []); title('频域幅度谱'); subplot(2, 2, 3); imshow(H, []); title('滤波器掩膜'); subplot(2, 2, 4); imshow(uint8(g)); title('去噪结果'); %% 8. 保存结果 imwrite(uint8(g), 'denoised_result.png');把代码复制进MATLAB，改一下图像路径和陷波中心参数，就能直接跑通。注意 variables 区里确认 M、N 的值没有异常，如果图像尺寸不是 2 的幂次，完全不用慌，fft2 处理任意尺寸都行，坐标网格也是自动适配的。
4. 参数怎么调：从频谱图到完美去噪
4.1 第一步：用幅度谱锁定条纹频率
直接跑代码最有可能出现的情况是条纹去不掉或者图像糊了，根源几乎都在陷波中心定位不准。这个参数不能拍脑袋，必须从幅度谱上读。
运行代码到可视化那一步，中间的 subplot(2,2,2) 显示的就是幅度谱。横条纹对应的亮斑一定出现在垂直方向（大致在中间竖线上），而且往往是两两对称的一对或几对亮点。用MATLAB figure窗口工具栏里的 Data Cursor 工具，直接点一下亮斑最亮的那个点，读取坐标值。注意这个坐标是像素坐标，但因为我们做了 fftshift，数值中心的坐标就是 (0,0)，所以读出来的横坐标和纵坐标可以直接作为陷波中心的一个坐标对。
在实际项目里我遇到过一次比较刁钻的情况：亮斑看起来是一个点，放大后发现它其实横跨了两三个像素，而且垂直方向上还有轻微的弥散。这种情况下只用一个陷波滤波器效果不彻底，可以在主亮斑的上下各加一个半径更小的陷波，比如第三个陷波中心设为亮斑坐标周围偏移1到2个像素的点，用三个陷波叠加覆盖整个噪声能量扩散区域。
4.2 第二步：确定陷波半径
陷波半径 R 直接影响滤波作用范围。这个参数的调节规律其实很清晰：R 越小，对频率的选择性越精准，图像细节保留越好，但一旦 R 小于噪声频率扩散范围，条纹就会残留一部分；R 越大，去条纹越彻底，但周围正常频率成分被压掉的风险也越大。
我的经验是从亮斑尺寸出发估算。在幅度谱中把亮斑区域放大，观察亮斑直径大约覆盖多少个像素。如果亮斑看起来直径只有3到4个像素，那 R 取5到8就够；如果亮斑扩散到了十几个像素，R 就需要12到20。拿不准的时候，先取 R=10 跑一遍，看结果再往两个方向微调，每次增减2到3个像素。
另外提醒一句：陷波半径不是越大越好。R 超过亮斑尺寸太多时，图像里一些正常的周期性纹理（比如建筑物立面的窗户阵列、织物纹理）会被一并压掉，画面上会出现奇怪的“洗干净”感，细节像被橡皮擦擦过一样。
4.3 第三步：用阶数控制过渡带陡峭度
阶数 n 决定的是阻带与通带之间过渡带的陡峭程度。n 越小，过渡带越宽，陷波作用越“温和”，但压制的力度也减弱；n 越大，阻带越窄越深，选择性越强，但图像边缘处的振铃也越明显。
四阶对大多数横条纹场景都是好选择。如果发现图像在去噪后边缘出现淡淡的涟漪状条纹，把 n 降到2或者3通常就能解决；反过来，如果条纹虽然大部分被消灭了，但还是隐隐约约有残留，而且你确定陷波中心和半径都没问题，那可以试试把 n 提到5甚至6，收窄过渡带以增强压制效果。
阶数和陷波半径是联动的。R 取得大、n 取得也大，阻带范围就会变成一个又深又宽的“陨石坑”，对图像内容的影响非常显著。我建议调整的时候先固定 n=4，把 R 调到合适位置，然后再根据振铃情况微调 n。两个参数同时猜来猜去，很容易把结果搞得越来越糟。
4.4 用评价指标验证去噪效果
视觉判断之外，量化指标也值得跑一下。PSNR（峰值信噪比）和 SSIM（结构相似性指标）是最常用的两个图像质量评价指标，如果手里有干净的原始图像做参考，计算前后对比最直观：
% 假设 ref 是干净参考图，g 是去噪结果 ref = double(ref); g = double(g); mse = mean((ref(:) - g(:)).^2); psnr_val = 10 * log10(255^2 / mse); mu_ref = mean(ref(:)); mu_g = mean(g(:)); sigma_ref = var(ref(:)); sigma_g = var(g(:)); sigma_cross = mean((ref(:)-mu_ref) .* (g(:)-mu_g)); ssim_val = ((2*mu_ref*mu_g + 6.5025) * (2*sigma_cross + 58.5225)) / ... ((mu_ref^2 + mu_g^2 + 6.5025) * (sigma_ref + sigma_g + 58.5225));没有干净参考图的时候，可以自己造一条“半参考”曲线：取图像中包含大面积平坦区域的部分，计算该区域在滤波前后的局部方差，方差下降得多说明平滑力度大，但如果下降得过猛，说明细节损失也大。结合视觉判断，比单独看一个指标靠谱得多。实际项目里我一般以目视为准，指标只做辅助参考。
5. 实战中的坑与对应解法
5.1 去噪后出现水波纹状振铃
这个坑最常见，也最容易让人误判代码写错了。现象是条纹确实没了，但图像边缘附近多出一圈一圈像涟漪一样的明暗变化，尤其在亮度反差大的地方特别明显。
根因是滤波器掩膜过渡带过陡，等效于在频域里对频率成分做了“硬切”，逆变换时在空间域的强边缘位置激起振铃。解法很简单：把阶数 n 从4降为2或3，让过渡带更平缓一些；如果振铃还在，同时把陷波半径 R 稍微调大1到2个像素，让压制力度分散一点，不要集中在某个频率点上。
另一个容易被忽略的原因是陷波中心偏离真实亮斑中心。滤波器衰减区域没有精确命中噪声点，导致噪声频率只被压掉一半，剩下的一半在空间域里形成了频率较低的余波，看起来也是条纹，但间距跟原来不一样，很容易被误判为振铃。
5.2 条纹没去干净，剩下的还很顽固
如果第一次滤波后条纹还在，先别急着把 R 继续加大。先回幅度谱确认亮斑的精确位置有没有选偏，用 Data Cursor 读取最亮点坐标，跟 notch_centers 里的值逐位核对。横条纹的亮斑通常对称分布在垂直轴上，如果只填了一个非对称的坐标，滤波效果会大打折扣。
还有一种情况是条纹本身包含多个频率成分。幅度谱里如果能看到垂直方向上是几个离散的亮斑排成一列，那就不是一个陷波能解决的问题。这时需要为每个亮斑分别设置一对陷波中心，全部填入 notch_centers 数组。代码里的循环会自动为每个陷波中心生成一个滤波器并相乘，不需要改主流程。
另外，某些图像的横条纹不是严格的水平方向，可能带有微小角度，幅度谱里的亮斑就会稍微偏离垂直轴。这种情况下陷波中心要跟着偏一点，比如本来是 (0, 32)，实际可能是 (1, 32) 或 (-1, 32)。逐像素核对坐标是这种问题最稳妥的排查方式。
5.3 图像细节被连坐，整体变肉
这种现象通常是陷波半径 R 偏大。阻带覆盖了噪声频率周边的正常频率成分，尤其是图像里原本就有一些跟条纹频率接近的纹理，比如细密的布料纹理、百叶窗、栅栏之类，很容易被误伤。
处理思路有两条：一是缩小 R，每次减少2个像素，观察细节恢复情况；二是增加陷波中心数量、缩小每个陷波的 R，用多个小陷波替代一个大陷波，只精确覆盖亮斑本身。比如原来一个 R=18 的大陷波，可以拆成 R=8 的三个小陷波，分别对准亮斑中心和上下边缘的两三个像素，覆盖面相同但对周围频率的影响小得多。
5.4 彩色图像的横条纹怎么处理
彩色图的横条纹一般也发生在亮度通道上，色度通道受污染程度较轻甚至没有。如果在RGB三个通道上分别滤波，一来计算量大，二来三个通道之间的滤波误差容易产生偏色。
推荐的做法是把RGB图像转换到YCbCr颜色空间，Y通道是亮度，Cb和Cr是色度。只对Y通道做陷波滤波，Cb和Cr原样保留，然后再转回RGB。这样处理速度更快，去噪效果也自然，不会出现色偏。MATLAB里用 rgb2ycbcr 和 ycbcr2rgb 两个函数就能轻松完成转换。
5.5 批量处理时如何自动锁定条纹频率
单张图手动调参没问题，但遇到几十张同批次图像，每张都打开频谱图点坐标就太折磨了。同批次图像的横条纹通常来自同一个采集设备或同一套扫描参数，条纹频率几乎是一致的，所以一种非常实用的做法是：先取其中一张特征明显的图像，手动确定陷波中心坐标，然后把这组参数固定下来，写一个for循环批量处理整个文件夹。
如果不同图像之间的条纹频率有微小漂移，可以在循环里加一步自动校正：处理每张图时，在幅度谱垂直方向中心线附近搜索局部极大值，找到亮点位置后将其作为该张图的陷波中心。搜索范围限制在垂直轴上 u ∈ [-2, 2] 的窄带内，这样既不会误检到其他方向的特征，又能适应条纹频率的微小变化。这一步用 findpeaks 或者简单的 max 函数都能实现，代码量不大但省事非常多。
6. 写在最后：经验与建议
整理这套流程用到的核心思路，说白了就是一句话：去噪最关键的不是“猛力滤波”，而是“精准定位”。空域里折腾半天解决不了的问题，换到频域看一眼就明白了——条纹就是几个点，把点按掉就干净了。这也提醒我处理图像问题时，先分析噪声在频域里长什么样，再决定用什么滤波器，比拿到图像直接套滤波函数要高效得多。
参数调节上我个人的习惯是固定一个变量，其他变量依次搜索。先固定 n=4，调 R；R 基本合适了，再调 n 治振铃；最后回到陷波中心坐标做精细校准。这套流程虽然土，但不会把自己绕晕。
最后再分享一个实用小技巧：把最终确定的滤波器掩膜 H 保存成 .mat 文件，下次遇到同类型图像直接 load 进来用，连频谱分析这一步都能省了。由于它和图像的尺寸绑定，记得先确认尺寸一致。这个方法我用了大半年，处理同类扫描件的效率比最初手动调参翻了一倍不止。如果你手里的图像不止横条纹这一种噪声，把这个陷波思路和其它滤波手段叠加使用，也能组合出很多灵活的方案。
