Python+OpenCV实战：5分钟搞定图像频域滤波（附完整代码）
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：
- 傅里叶变换：将图像从空间域转换到频域
- 滤波操作：在频域修改频率成分
- 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：
- 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) - 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：
| 参数 | 说明 | 典型值 |
|---|---|---|
| 中心频率 | 要保留/阻止的频率中心 | 图像尺寸的1/4 |
| 带宽 | 频率范围 | 20-50 |
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：
- 降噪：用低通滤波（cutoff=40）消除皮肤噪点
- 锐化：高通滤波（cutoff=25）增强五官轮廓
- 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。