【opencv高级教程】2.3 线性滤波与频域基础

OpenCV(十一)图像滤波(平滑处理)(平均、中值、高斯、双边滤波) 目录 一、概念 二、线性滤波 1、概述 2、线性滤波原理: 三、滤波实例 1、均值滤波(cv::blur())(简单滤波) 2、中值滤波(cv::medianBlur()) 3、高斯滤波(cv::GaussianBlur()) 4、双边滤波(cv::bilateralFilter()) 参考资料 一、概念 “平滑”通常又称“模糊”,是一种简单常用的图像处理操作。进行平滑处理的原因有很多,但通常是用来去除噪声和相机失真,平滑在按照一定的原理来降低图像分辨率中也有重要应用。 阅读详情

articleweb_search:13#9web_search:13#0web_search:13#3web_search:13#5web_search:13#7web_search:13#10

2.3 线性滤波与频域基础

本章定位:从"滑动窗口求平均"这个直觉出发,逐层剥开卷积的数学内核、可分离性优化、频域分析,直到你能亲手设计一个频域滤波器并理解它的振铃从何而来。读完本章,空域和频域之间的那堵墙,对你来说将变成一扇旋转门。


2.3.1 卷积运算基础:滑动窗口的数学本质

你有没有想过,Photoshop里的"模糊"功能到底在做什么?它不是在"涂抹"像素——而是在每个像素周围画一个窗口,把窗口里的颜色取个平均。这个看似简单的操作,背后藏着整个信号处理大厦的基石:卷积(Convolution)。

别急,听起来很抽象对吧?让我们从一个你熟悉的概念开始:全连接层的矩阵乘法。在全连接层中,每个输出神经元与所有输入神经元相连,权重矩阵是稠密的。卷积则是一种"局部且共享权重"的线性操作——就像给全连接层加上了"局部感受野"和"参数共享"两个约束。这也是为什么CNN比全连接网络更适合图像:它利用了图像的空间局部相关性。

2.3.1.1 离散卷积的数学定义与核翻转(flip)操作

在继续之前,我们需要澄清一个常见的混淆点。很多教程说卷积就是"滑动窗口加权求和",这在工程上没错,但数学上漏掉了一个关键步骤:翻转(flip)。

真正的离散二维卷积定义是:

(I * K)[m, n] = Σ<sub>i</sub> Σ<sub>j</sub> I[i, j] · K[m-i, n-j]

注意那个减号!它意味着卷积核 K 在参与运算前,需要围绕原点翻转180度。如果 K 是一个 3×3 的核,翻转后它的四个角会对调位置。

翻转后的核 K'

9 8 7

6 5 4

3 2 1

翻转 180°

↻

原始核 K

1 2 3

4 5 6

7 8 9

但在图像处理中,我们使用的核通常已经是对称的(比如高斯核、均值核),翻转180度后形状不变。所以OpenCV的filter2D实际上实现的是互相关(Cross-correlation)——它省略了翻转步骤:

(I ⊛ K)[m, n] = Σ<sub>i</sub> Σ<sub>j</sub> I[i, j] · K[i-m, j-n]

对于对称核,卷积和互相关结果相同。但对于非对称核(比如某些边缘检测核),这个区别就很重要了。OpenCV的filter2D文档明确说明它做的是互相关,不是严格数学定义上的卷积。citeweb_search:13#5

2.3.1.2 filter2D的锚点(anchor)与delta归一化选项

现在我们已经了解了卷积的数学本质,接下来看看OpenCV的filter2D函数在实际使用中需要注意的参数。

**锚点(Anchor)**决定的是"核的哪个像素对准当前正在处理的源像素"。默认情况下anchor=(-1, -1)表示锚点在核的中心。对于一个 3×3 的核,中心是 (1, 1);对于 5×5 的核,中心是 (2, 2)。

锚点语义

锚点像素对齐源像素(x,y)

核其余像素覆盖(x-1,y-1)到(x+1,y+1)

边界处需要外推策略填充

锚点位置示意
3×3核

K0,0 K0,1 K0,2

K1,0 K1,1 K1,2

K2,0 K2,1 K2,2

delta参数是一个加到最终结果上的偏移量。在某些图像处理流程中,你可能需要把滤波结果平移一个固定值(比如从有符号梯度图转换到无符号显示范围)。

还有一个容易被忽略的参数是ddepth(输出深度)。如果输入图像是CV_8U(0-255),而核包含负值(比如Sobel核),直接以CV_8U输出会导致溢出。这时候应该设置ddepth=cv2.CV_16S或cv2.CV_32F,保留中间结果的动态范围。citeweb_search:13#5

2.3.1.3 可分离核(高斯/Sobel)的复杂度从O(n²)到O(2n)优化

好了,概念说得够多了。让我们聊一个能直接提升你代码性能的知识点:可分离卷积(Separable Convolution)。

想象你有一个 15×15 的高斯核。直接二维卷积需要每个输出像素做 225 次乘加运算。但高斯核有一个神奇的性质:它可以拆成两个一维核的乘积!

G(x, y) = G(x) · G(y)

其中 G(x) = (1/√(2π)σ) · exp(-x²/(2σ²))
      G(y) = (1/√(2π)σ) · exp(-y²/(2σ²))

这意味着我们可以先做一维水平卷积(15次乘加),再做一维垂直卷积(15次乘加),总共 30 次乘加——从 O(n²) 降到了 O(2n)。对于 15×15 的核,这是 7.5倍加速!citeweb_search:13#7

加速比

225 / 30 = 7.5×

可分离卷积
拆分为1D

Step 1: 水平1D卷积
15次乘加

Step 2: 垂直1D卷积
15次乘加

总计: 30次乘加

复杂度: O(2n)

直接2D卷积
15×15核

每个像素: 225次乘加

复杂度: O(n²)

OpenCV的sepFilter2D就是专门做这个优化的。而GaussianBlur内部自动使用了可分离实现。citeweb_search:13#10 但注意:不是所有核都可分离。判断一个核是否可分离的方法是检查它的矩阵秩——如果秩为1,就可以分解为两个向量的外积。

代码示例:卷积基础与可分离性

import cv2
import numpy as np

def demo_convolution_basics():
    """
    filter2D 核心参数详解:
    - src: 输入图像
    - ddepth: 输出深度(-1表示与输入相同,但负值核建议用CV_32F)
    - kernel: 卷积核(必须是奇数尺寸,否则锚点不明确)
    - anchor: 锚点位置,(-1,-1)表示中心
    - delta: 结果偏移量
    - borderType: 边界外推策略
    """
    # 创建测试图像:中心亮块
    img = np.zeros((100, 100), dtype=np.uint8)
    img[40:60, 40:60] = 255

    # 均值核 5×5
    kernel = np.ones((5, 5), np.float32) / 25.0

    # 标准卷积
    blurred = cv2.filter2D(img, -1, kernel, 
                          anchor=(-1, -1),  # 中心锚点
                          delta=0,           # 无偏移
                          borderType=cv2.BORDER_REFLECT_101)

    # 验证:非对称核的卷积 vs 互相关差异
    # Sobel X方向核(非对称)
    sobel_x = np.array([[-1, 0, 1],
                        [-2, 0, 2],
                        [-1, 0, 1]], np.float32)

    # filter2D做的是互相关(不翻转核)
    cross_corr = cv2.filter2D(img, cv2.CV_32F, sobel_x)

    # 严格卷积需要手动翻转核180度
    sobel_x_flipped = np.flipud(np.fliplr(sobel_x))
    strict_conv = cv2.filter2D(img, cv2.CV_32F, sobel_x_flipped)

    # 对于非对称核,两者结果不同!
    diff = np.max(np.abs(cross_corr - strict_conv))
    print(f"Cross-correlation vs Strict Convolution max diff: {diff}")
    print("(For symmetric kernels, this would be 0)")

    return blurred, cross_corr, strict_conv

def demo_separable_convolution():
    """
    可分离卷积的复杂度对比演示。
    高斯核是典型的可分离核。
    """
    # 创建大尺寸测试图像
    img = np.random.rand(1024, 1024).astype(np.float32)
    ksize = 15
    sigma = 3.0

    # 方法1: 直接2D高斯核卷积
    kernel_2d = cv2.getGaussianKernel(ksize, sigma)
    kernel_2d = kernel_2d @ kernel_2d.T  # 外积得到2D核

    import time
    t0 = time.time()
    direct_result = cv2.filter2D(img, -1, kernel_2d)
    t_direct = time.time() - t0

    # 方法2: 可分离卷积(两次1D)
    kernel_1d = cv2.getGaussianKernel(ksize, sigma)

    t0 = time.time()
    temp = cv2.filter2D(img, -1, kernel_1d.T)      # 水平
    sep_result = cv2.filter2D(temp, -1, kernel_1d)  # 垂直
    t_sep = time.time() - t0

    # 方法3: OpenCV优化版(内部自动分离)
    t0 = time.time()
    opencv_result = cv2.GaussianBlur(img, (ksize, ksize), sigma)
    t_opencv = time.time() - t0

    print(f"\n=== Convolution Complexity Comparison ({ksize}x{ksize} kernel) ===")
    print(f"Direct 2D convolution:     {t_direct*1000:.2f} ms")
    print(f"Separable (manual):        {t_sep*1000:.2f} ms")
    print(f"OpenCV GaussianBlur:       {t_opencv*1000:.2f} ms")
    print(f"Speedup (direct/separable): {t_direct/t_sep:.1f}x")

    # 验证数值等价性
    diff_sep = np.max(np.abs(direct_result - sep_result))
    diff_opencv = np.max(np.abs(direct_result - opencv_result))
    print(f"\nNumerical diff (direct vs separable): {diff_sep:.2e}")
    print(f"Numerical diff (direct vs OpenCV):    {diff_opencv:.2e}")

    return t_direct, t_sep, t_opencv

def check_separable(kernel: np.ndarray) -> tuple:
    """
    检查一个核是否可分离(矩阵秩为1)。
    如果是,返回分解后的两个1D向量。
    """
    # SVD分解
    U, S, Vt = np.linalg.svd(kernel)

    # 如果第一个奇异值占主导,核近似可分离
    ratio = S[0] / S[1] if len(S) > 1 and S[1] > 0 else float('inf')
    is_separable = ratio > 100  # 经验阈值

    if is_separable:
        # 分解: kernel ≈ u[:,0] * s[0] * v[0,:]
        col_vector = U[:, 0] * np.sqrt(S[0])
        row_vector = Vt[0, :] * np.sqrt(S[0])
        return True, col_vector, row_vector, ratio
    else:
        return False, None, None, ratio

if __name__ == "__main__":
    blurred, cross, strict = demo_convolution_basics()
    t_d, t_s, t_o = demo_separable_convolution()

    # 测试核的可分离性
    test_kernels = {
        "Gaussian 5x5": cv2.getGaussianKernel(5, 1) @ cv2.getGaussianKernel(5, 1).T,
        "Mean 5x5": np.ones((5,5)) / 25,
        "Random 5x5": np.random.rand(5,5),
    }

    print("\n=== Separability Check ===")
    for name, k in test_kernels.items():
        sep, col, row, ratio = check_separable(k)
        status = "Separable" if sep else "Not separable"
        print(f"{name:20s}: {status} (SVD ratio={ratio:.1f})")

这段代码展示了三个核心知识点:filter2D的参数语义、严格卷积与互相关的区别、以及可分离卷积的性能优势。check_separable函数使用SVD分解来检测任意核的可分离性——这是工程实践中判断能否做O(2n)优化的通用方法。


2.3.2 均值与方框滤波:最简单的线性滤波

现在我们已经掌握了卷积的通用框架,接下来看看最简单、也最常用的两种特例:均值滤波和方框滤波。它们是所有复杂滤波器的"基线"——理解它们的优缺点,才能明白为什么需要高斯滤波。

2.3.2.1 blur的标准化卷积与邻域和平均

cv2.blur做的事情可以用一句话概括:"把每个像素替换成它邻居的平均值。"数学上,它使用一个所有元素相等的核,然后除以核的面积做归一化:

K = (1/(k·k)) · [1  1  ...  1]
                  [1  1  ...  1]
                  [...       ...]
                  [1  1  ...  1]

输出像素

25个邻居的平均值

归一化
除以25

每个权重 = 1/25 = 0.04

5×5 邻域窗口

1 1 1 1 1

1 1 1 1 1

1 1 ● 1 1

1 1 1 1 1

1 1 1 1 1

均值滤波的问题是:所有邻居一视同仁。图像边缘处的像素,一侧是物体内部,一侧是背景,均值滤波会把边缘"抹平",导致细节丢失。而且它会在强边缘附近产生"阶梯状"伪影——因为每个窗口跨过边缘时,平均值会突变。

2.3.2.2 boxFilter的归一化开关与非归一化累加

在继续之前,让我们区分blur和boxFilter。它们本质上是同一个操作,但boxFilter多了一个normalize参数:

  • normalize=True(默认):核元素除以面积,输出是平均值(与blur等价)
  • normalize=False:核元素保持为1,输出是像素值之和(不除以面积)

非归一化的boxFilter有什么用?它直接计算邻域像素和,这在某些算法中是中间步骤——比如计算局部方差时,你需要"和的平方"与"平方的和"。citeweb_search:13#9

boxFilter normalize=False

输出 = Σ像素

范围: [0, 255×面积]

用途: 积分图、局部统计

boxFilter normalize=True

输出 = Σ像素 / 面积

范围: [0, 255]

用途: 图像平滑

2.3.2.3 sqrBoxFilter的积分图加速与局部方差计算

sqrBoxFilter是boxFilter的"平方版":它计算邻域内像素平方值的和(或平均值)。这看起来奇怪,但它是计算局部方差的关键组件。citeweb_search:13#9

回忆方差公式:

Var = E[X²] - (E[X])²
    = (平方的均值) - (均值的平方)

所以,要计算局部方差,你需要两个并行流:

  1. boxFilter 计算 E[X](局部均值)
  2. sqrBoxFilter 计算 E[X²](局部平方均值)

两者相减即得局部方差。这在自适应阈值处理、局部对比度增强、以及某些去噪算法(如Non-Local Means)中是核心步骤。

输入图像 I

boxFilter
局部均值 μ

sqrBoxFilter
局部平方均值 E[X²]

μ²
均值平方

Var = E[X²] - μ²
局部方差

OpenCV内部使用**积分图(Integral Image)**来加速这些操作。积分图预先计算每个位置左上角所有像素的累积和,使得任意矩形区域的和可以在O(1)时间内查询——无论矩形多大。这意味着boxFilter和sqrBoxFilter的计算复杂度与核尺寸无关,这是比可分离卷积更激进的优化。citeweb_search:13#9

代码示例:均值、方框与局部统计

import cv2
import numpy as np

def demo_blur_variants():
    """
    blur, boxFilter, sqrBoxFilter 的语义差异与局部方差计算
    """
    # 创建带噪声的测试图
    img = np.ones((200, 200), dtype=np.uint8) * 128
    cv2.rectangle(img, (50, 50), (150, 150), 200, -1)
    noise = np.random.normal(0, 15, img.shape).astype(np.int16)
    img = np.clip(img.astype(np.int16) + noise, 0, 255).astype(np.uint8)

    ksize = (15, 15)

    # 1. blur = 归一化均值滤波
    blurred = cv2.blur(img, ksize)

    # 2. boxFilter normalize=True(与blur等价)
    box_norm = cv2.boxFilter(img, -1, ksize, normalize=True)

    # 3. boxFilter normalize=False(像素和,值域更大)
    box_sum = cv2.boxFilter(img, cv2.CV_32F, ksize, normalize=False)

    # 验证:box_sum / area == box_norm
    area = ksize[0] * ksize[1]
    recovered = box_sum / area
    diff = np.max(np.abs(recovered.astype(np.float32) - box_norm.astype(np.float32)))
    print(f"box_sum/area vs box_norm max diff: {diff:.2f}")

    # 4. sqrBoxFilter:局部平方和
    # 需要先转float,避免平方溢出
    img_f = img.astype(np.float32)
    sq_mean = cv2.sqrBoxFilter(img_f, -1, ksize, normalize=True)

    # 5. 局部方差 = E[X²] - (E[X])²
    mean = cv2.boxFilter(img_f, -1, ksize, normalize=True)
    local_var = sq_mean - mean**2
    local_std = np.sqrt(np.maximum(local_var, 0))

    print(f"\nLocal statistics:")
    print(f"  Mean range: [{mean.min():.1f}, {mean.max():.1f}]")
    print(f"  Std range:  [{local_std.min():.1f}, {local_std.max():.1f}]")
    print(f"  High-variance region (edges): std > 20")

    return blurred, box_norm, box_sum, local_std

def demo_integral_image_speed():
    """
    积分图加速演示:不同核尺寸的boxFilter耗时对比
    """
    img = np.random.rand(2048, 2048).astype(np.float32)

    sizes = [5, 15, 51, 101, 201]
    times = []

    import time
    for k in sizes:
        t0 = time.time()
        for _ in range(10):  # 平均10次
            _ = cv2.boxFilter(img, -1, (k, k))
        t = (time.time() - t0) / 10 * 1000
        times.append(t)
        print(f"boxFilter {k:3d}x{k:3d}: {t:.2f} ms")

    # 验证:耗时与核尺寸基本无关(积分图特性)
    ratio = times[-1] / times[0]
    print(f"\n201x201 vs 5x5 time ratio: {ratio:.2f}x")
    print("(Ideally ~1.0x due to integral image O(1) query)")

    return sizes, times

if __name__ == "__main__":
    blurred, box_norm, box_sum, local_std = demo_blur_variants()
    sizes, times = demo_integral_image_speed()

2.3.3 高斯滤波:自然界的权重分布

现在我们已经了解了均值滤波的简单粗暴。但自然界很少出现"所有邻居完全平等"的情况——离得越近,影响越大;离得越远,影响越小。这种"距离衰减"的权重模式,恰好就是**高斯分布(正态分布)**的形状。

2.3.3.1 高斯核的二维可分离性数学证明

高斯滤波核的定义是二维高斯概率密度函数:

G(x, y) = (1/(2πσ²)) · exp(-(x² + y²)/(2σ²))

别急,这个公式看起来复杂,但有一个惊人的性质:它可以完美地分解为两个一维高斯函数的乘积:

G(x, y) = G(x) · G(y)

其中 G(x) = (1/√(2π)σ) · exp(-x²/(2σ²))
      G(y) = (1/√(2π)σ) · exp(-y²/(2σ²))

证明很简单:把两个一维函数乘起来:

G(x)·G(y) = [1/√(2π)σ · exp(-x²/2σ²)] · [1/√(2π)σ · exp(-y²/2σ²)]
          = 1/(2πσ²) · exp(-(x²+y²)/(2σ²))
          = G(x, y)   ✓

可分离性证明

G(x) · G(y)

= [1/√(2π)σ · e-x²/2σ²] · [1/√(2π)σ · e-y²/2σ²]

= 1/(2πσ²) · e-(x²+y²)/2σ²

= G(x, y) ✓

这个性质是高斯滤波效率的核心——它让O(n²)的二维卷积降级为O(2n)的两次一维卷积。OpenCV的GaussianBlur内部自动利用了这个优化。citeweb_search:13#5

2.3.3.2 getGaussianKernel的σ与尺寸关系(6σ原则)

在继续之前,我们需要回答一个工程上的关键问题:高斯核应该多大?

高斯函数在理论上支撑域无限大(x→∞时G(x)→0,但永远不为0)。但在实践中,我们截断核到有限尺寸。截断的边界应该设在哪里?

统计学告诉我们:高斯分布的99.7%质量落在 μ ± 3σ 范围内。所以一个合理的经验法则是:

核尺寸 = 6σ + 1   (加1保证奇数尺寸)

6σ + 1 规则

核半径 = 3σ

核直径 = 6σ

核尺寸 = 6σ + 1(奇数)

1D Gaussian G(x)

峰值在 x=0

±1σ: 68% 质量

±2σ: 95% 质量

±3σ: 99.7% 质量 ← 截断点

|x| > 3σ: <0.3% 可忽略

例如,σ=2时,核尺寸应为 6×2+1=13。如果你给GaussianBlur传了更小的核(比如5×5),OpenCV会根据核尺寸反推一个等效的σ值,而不是你期望的σ=2——这会导致滤波强度弱于预期。citeweb_search:13#6

2.3.3.3 GaussianBlur的多通道SIMD向量化优化

cv2.GaussianBlur是OpenCV中最优化的函数之一。它不仅利用了可分离性,还在底层使用了SIMD(单指令多数据)向量化——一次处理多个像素,以及多线程并行。citeweb_search:13#10

对于多通道图像(如BGR),OpenCV可以并行处理三个通道,或者利用通道间的数据局部性做向量化加载。在x86架构上,它使用SSE/AVX指令集;在ARM上,使用NEON。这些优化让GaussianBlur的速度通常比手动实现的Python循环快10-100倍。

代码示例:高斯滤波深度解析

import cv2
import numpy as np

def demo_gaussian_kernel_properties():
    """
    高斯核的可分离性验证与6σ原则演示
    """
    sigma = 2.0
    ksize = int(6 * sigma + 1) | 1  # 确保奇数

    # OpenCV生成的一维高斯核
    kernel_1d = cv2.getGaussianKernel(ksize, sigma)

    # 方法1: 外积得到2D核
    kernel_2d_from_1d = kernel_1d @ kernel_1d.T

    # 方法2: 直接生成2D高斯核(数学公式)
    ax = np.arange(-ksize//2, ksize//2 + 1)
    xx, yy = np.meshgrid(ax, ax)
    kernel_2d_direct = np.exp(-(xx**2 + yy**2) / (2 * sigma**2))
    kernel_2d_direct /= (2 * np.pi * sigma**2)

    # 验证可分离性:两者应该几乎相同
    diff = np.max(np.abs(kernel_2d_from_1d - kernel_2d_direct))
    print(f"=== Gaussian Kernel Separability ===")
    print(f"Sigma: {sigma}, Kernel size: {ksize}x{ksize}")
    print(f"Max diff (1D outer vs 2D direct): {diff:.2e}")
    print(f"1D kernel sum: {kernel_1d.sum():.6f} (should be ~1.0)")
    print(f"2D kernel sum: {kernel_2d_from_1d.sum():.6f} (should be ~1.0)")

    # 验证6σ原则:核边缘的权重应该接近0
    edge_weight = kernel_2d_from_1d[0, ksize//2]
    print(f"Edge weight (at 3σ): {edge_weight:.6f} (should be < 0.003)")

    return kernel_1d, kernel_2d_from_1d

def demo_gaussian_scale_space():
    """
    高斯尺度空间:不同σ的滤波效果对比
    这是SIFT等特征检测算法的基础。
    """
    # 创建测试图:混合高频和低频内容
    img = np.zeros((300, 300), dtype=np.uint8)
    # 低频:大渐变块
    for i in range(300):
        img[i, :] = int(128 + 127 * np.sin(i * 2 * np.pi / 300))
    # 高频:细条纹
    for i in range(0, 300, 4):
        img[:, i:i+2] = np.clip(img[:, i:i+2].astype(np.int16) + 50, 0, 255).astype(np.uint8)

    sigmas = [0.5, 1.0, 2.0, 4.0, 8.0]
    results = []

    print("\n=== Gaussian Scale Space ===")
    for s in sigmas:
        k = int(6 * s + 1) | 1
        blurred = cv2.GaussianBlur(img, (k, k), s)
        results.append(blurred)

        # 计算高频能量保留率(梯度幅值)
        grad_x = cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize=3)
        grad_y = cv2.Sobel(blurred, cv2.CV_64F, 0, 1, ksize=3)
        grad_mag = np.sqrt(grad_x**2 + grad_y**2).mean()
        print(f"σ={s:.1f}, ksize={k:3d}: avg gradient={grad_mag:.2f}")

    return img, results, sigmas

def demo_gaussian_vs_mean():
    """
    高斯滤波 vs 均值滤波:边缘保留对比
    """
    # 阶梯边缘测试图
    img = np.zeros((100, 200), dtype=np.uint8)
    img[:, :100] = 50
    img[:, 100:] = 200

    # 添加少量噪声
    noise = np.random.normal(0, 5, img.shape).astype(np.int16)
    img = np.clip(img.astype(np.int16) + noise, 0, 255).astype(np.uint8)

    # 均值滤波
    mean_blur = cv2.blur(img, (15, 15))

    # 高斯滤波(相同尺寸)
    gauss_blur = cv2.GaussianBlur(img, (15, 15), 0)

    # 对比边缘过渡带宽度
    # 提取水平中线,观察边缘过渡
    mid = 50
    mean_profile = mean_blur[mid, :]
    gauss_profile = gauss_blur[mid, :]

    # 计算过渡带宽度(10%-90%)
    def transition_width(profile):
        p10 = np.percentile(profile, 10)
        p90 = np.percentile(profile, 90)
        thresh_low = p10 + 0.1 * (p90 - p10)
        thresh_high = p10 + 0.9 * (p90 - p10)
        idx_low = np.where(profile > thresh_low)[0][0]
        idx_high = np.where(profile > thresh_high)[0][0]
        return idx_high - idx_low

    w_mean = transition_width(mean_profile)
    w_gauss = transition_width(gauss_profile)

    print(f"\n=== Edge Preservation ===")
    print(f"Mean blur transition width:   {w_mean}px")
    print(f"Gaussian blur transition width: {w_gauss}px")
    print(f"Gaussian preserves edge better: {w_gauss < w_mean}")

    return img, mean_blur, gauss_blur

if __name__ == "__main__":
    k1, k2 = demo_gaussian_kernel_properties()
    orig, scale_results, sigmas = demo_gaussian_scale_space()
    img, mean_b, gauss_b = demo_gaussian_vs_mean()

2.3.4 频域分析:换个角度看图像

现在我们已经掌握了空域滤波的全部工具。但有时候,在空域里很难理解的问题(比如"为什么这个滤波器会振铃?"),在频域里一目了然。这就像解微分方程——直接求解很难,但拉普拉斯变换后变成代数方程。

2.3.4.1 离散傅里叶变换(dft)的复数输出与频谱排列

你有没有想过,如果把图像"拆开"成不同频率的正弦波叠加,会是什么样子?低频分量对应图像中缓慢变化的区域(比如天空、墙面),高频分量对应急剧变化的区域(比如边缘、纹理、噪声)。

**离散傅里叶变换(DFT)**做的就是这件事。它把图像从"每个像素的颜色"表示,转换成"每种频率的强度"表示。citeweb_search:13#1

OpenCV的cv2.dft输出是一个双通道数组:

  • 通道0:实部(对应余弦分量)
  • 通道1:虚部(对应正弦分量)

频域
F(u,v)

每个频率一个复数

幅度 = √(Re²+Im²)
该频率的强度

相位 = arctan(Im/Re)
该频率的位置偏移

cv2.dft
DFT_COMPLEX_OUTPUT

双通道输出

Ch0: 实部 Re(u,v)

Ch1: 虚部 Im(u,v)

空域
I(x,y)

每个像素一个值

直观: 颜色/亮度

幅度谱告诉你"这个频率有多强",相位谱告诉你"这个频率的正弦波偏移了多少"。有趣的是,人眼对幅度敏感,但对相位不敏感;然而如果交换两幅图像的相位谱,你会看到"幅度图的内容、相位图的结构"——这说明相位携带了图像的结构信息。citeweb_search:13#2

2.3.4.2 频谱中心化(fftshift)与幅度/相位图可视化

在继续之前,我们需要处理一个显示上的问题。cv2.dft的默认输出把零频率(DC分量,即图像的平均亮度)放在频谱的四个角。这是数学定义的自然结果,但对人类观察很不友好——我们习惯把低频放在中心。

np.fft.fftshift做的就是这件事:把四个角的低频分量"搬"到中心,把中心的高频分量"搬"到四角。citeweb_search:13#1

中心化后

高频 ●───────● 高频

│ 低频 │

高频 ●───────● 高频

fftshift

↔ 对角交换象限 ↕

默认DFT输出

低频 ●───────● 低频

│ 高频 │

低频 ●───────● 低频

幅度谱的可视化通常需要做对数变换:20 * log(magnitude + 1)。因为直流分量(零频率)的幅度通常比其他频率大几个数量级,直接显示会让其他频率全部黑成一片。对数压缩动态范围后,你才能看到高频的细节。citeweb_search:13#2

2.3.4.3 卷积定理与频域乘积的等价性验证

好了,现在我们已经能在空域和频域之间来回切换了。但为什么要这么做?因为卷积定理告诉我们一个惊人的事实:

空域卷积 = 频域乘积

I * h  ⟷  F(I) · F(h)

其中 * 是卷积,· 是逐元素乘法,F 是傅里叶变换,⟷ 表示"互为变换对"。

这意味着:如果你想用一个大核卷积图像,直接在空域做可能很慢;但你可以把图像和核都变换到频域,逐点相乘,再逆变换回来。对于大核(比如100×100),频域方法通常更快——因为DFT的复杂度是O(N log N),而空域卷积是O(N·k²)。citeweb_search:13#4

频域乘积
F(I) · F(h)

复杂度: O(N log N)

大核时更快

卷积定理
等价!

↔

空域卷积
I * h

复杂度: O(N · k²)

大核时很慢

代码示例:DFT、频谱可视化与卷积定理验证

import cv2
import numpy as np

def demo_dft_basics():
    """
    DFT基础:复数输出、频谱中心化、幅度/相位可视化
    """
    # 创建测试图:低频渐变 + 高频条纹
    img = np.zeros((256, 256), dtype=np.float32)
    # 低频:大正弦波
    img += 128 + 100 * np.sin(np.arange(256) * 2 * np.pi / 256)[None, :]
    # 高频:细条纹
    for i in range(0, 256, 8):
        img[:, i:i+2] += 30
    img = np.clip(img, 0, 255).astype(np.float32)

    # Step 1: DFT(必须转float32)
    dft = cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)

    # Step 2: 频谱中心化
    dft_shift = np.fft.fftshift(dft)

    # Step 3: 分离实部和虚部
    real = dft_shift[:, :, 0]
    imag = dft_shift[:, :, 1]

    # Step 4: 幅度谱(对数压缩)
    magnitude = cv2.magnitude(real, imag)
    mag_log = 20 * np.log(magnitude + 1)

    # Step 5: 相位谱
    phase = cv2.phase(real, imag, angleInDegrees=True)

    print("=== DFT Output Analysis ===")
    print(f"DFT output shape: {dft.shape} (H, W, 2 channels)")
    print(f"Magnitude range: [{magnitude.min():.2f}, {magnitude.max():.2f}]")
    print(f"DC component (center): {magnitude[128, 128]:.2f}")
    print(f"Phase range: [{phase.min():.1f}°, {phase.max():.1f}°]")

    return img, dft, dft_shift, mag_log, phase

def demo_convolution_theorem():
    """
    验证卷积定理:空域卷积 == 频域乘积
    """
    # 创建图像和核
    img = np.random.rand(256, 256).astype(np.float32)
    kernel = cv2.getGaussianKernel(21, 3)
    kernel_2d = (kernel @ kernel.T).astype(np.float32)

    # 方法1: 空域卷积
    spatial_conv = cv2.filter2D(img, -1, kernel_2d)

    # 方法2: 频域乘积
    # 扩展核到图像尺寸(必须同尺寸才能逐元素乘)
    kernel_padded = np.zeros_like(img)
    kh, kw = kernel_2d.shape
    kernel_padded[:kh, :kw] = kernel_2d

    # DFT(实数输入,复数输出)
    dft_img = cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)
    dft_kernel = cv2.dft(kernel_padded, flags=cv2.DFT_COMPLEX_OUTPUT)

    # 频域复数乘法: (a+bi)(c+di) = (ac-bd) + (ad+bc)i
    real_prod = dft_img[:,:,0]*dft_kernel[:,:,0] - dft_img[:,:,1]*dft_kernel[:,:,1]
    imag_prod = dft_img[:,:,0]*dft_kernel[:,:,1] + dft_img[:,:,1]*dft_kernel[:,:,0]

    dft_product = np.stack([real_prod, imag_prod], axis=2)

    # 逆DFT
    freq_conv = cv2.idft(dft_product, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT)

    # 对比(注意频域方法有循环卷积效应,需要裁剪)
    diff = np.max(np.abs(spatial_conv - freq_conv))
    print(f"\n=== Convolution Theorem Verification ===")
    print(f"Max diff (spatial vs frequency): {diff:.2e}")
    print(f"Theorem holds: {diff < 1e-3}")

    return spatial_conv, freq_conv

def demo_frequency_filtering():
    """
    频域滤波演示:理想低通滤波器
    """
    # 创建测试图
    img = np.zeros((512, 512), dtype=np.float32)
    cv2.circle(img, (256, 256), 100, 255, -1)
    cv2.rectangle(img, (100, 100), (412, 412), 128, 5)

    # DFT
    dft = cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)
    dft_shift = np.fft.fftshift(dft)

    # 构建理想低通滤波器掩码
    rows, cols = img.shape
    crow, ccol = rows // 2, cols // 2
    mask = np.zeros((rows, cols, 2), np.float32)
    radius = 60

    # 圆形掩码:中心为1(通过),边缘为0(阻断)
    y, x = np.ogrid[:rows, :cols]
    mask_area = (x - ccol)**2 + (y - crow)**2 <= radius**2
    mask[mask_area] = 1

    # 频域滤波:逐元素乘
    filtered_dft = dft_shift * mask

    # 逆变换
    filtered_dft_ishift = np.fft.ifftshift(filtered_dft)
    img_back = cv2.idft(filtered_dft_ishift, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT)
    img_back = np.clip(img_back, 0, 255).astype(np.uint8)

    print(f"\n=== Frequency Domain Filtering ===")
    print(f"Original size: {img.shape}")
    print(f"Low-pass radius: {radius}px")
    print(f"Retained frequencies: {mask_area.sum()} / {rows*cols} ({100*mask_area.sum()/(rows*cols):.1f}%)")

    return img, img_back, mask

if __name__ == "__main__":
    img, dft, dft_shift, mag_log, phase = demo_dft_basics()
    sp, fr = demo_convolution_theorem()
    orig, filtered, mask = demo_frequency_filtering()

2.3.5 频域滤波器设计:从理想到实用

现在我们已经掌握了DFT和卷积定理,接下来进入最实用的环节:设计频域滤波器。你会看到,为什么"理想"滤波器在工程中并不理想,以及高斯和巴特沃斯如何解决这个问题。

2.3.5.1 理想低通/高通的振铃效应与Gibbs现象

想象你在频域里画一个完美的圆:圆内频率全部通过(乘以1),圆外频率全部阻断(乘以0)。这就是理想低通滤波器(Ideal Low-Pass Filter, ILPF)。它简单、直观,但有一个致命的副作用:振铃(Ringing)。citeweb_search:13#0

振铃是什么?在空域里,理想低通滤波器的对应核是一个sinc函数:sin(x)/x。sinc函数有一个中心峰值,但两侧有衰减振荡的旁瓣。当这个核与图像卷积时,旁瓣会在强边缘两侧产生"回声"——亮边后面跟着淡淡的暗边,暗边后面跟着淡淡的亮边,就像水波纹。citeweb_search:13#3

空域核
sinc函数

中心峰值

↗ 旁瓣振荡 ↘

↗ 旁瓣振荡 ↘

与边缘卷积 → 振铃!

逆傅里叶变换

↔

频域
理想低通

圆内: H(u,v) = 1

圆外: H(u,v) = 0

突变边界!

这个现象叫Gibbs现象——对不连续函数做傅里叶截断时,在间断点附近必然出现的振荡。它不仅在图像处理中出现,在示波器测量、音频处理、甚至数值分析中都有体现。citeweb_search:13#0

2.3.5.2 高斯频域滤波的平滑过渡与无振铃特性

在继续之前,让我们思考:如何消除振铃?答案是:不要让频域响应突变。如果滤波器的频域过渡是平滑的,它的空域对应核就没有旁瓣振荡。

高斯滤波器在频域中仍然是高斯形状!因为高斯函数的傅里叶变换还是高斯函数。频域高斯低通:

H(u, v) = exp(-(u² + v²) / (2·D<sub>0</sub>²))

其中 D0 是截止频率。这个函数在频域中从1平滑衰减到0,没有任何突变。它的空域对应核也是一个没有旁瓣的高斯——所以高斯滤波器永远不会振铃。citeweb_search:13#3

高斯低通

频域: 平滑衰减

空域: 无旁瓣高斯

结果: 无振铃 ✓

理想低通

频域: 硬边界

空域: sinc旁瓣

结果: 振铃 ✗

代价是什么?高斯滤波器的"截止"不够陡峭——它会让一些应该被阻断的高频漏过去,也会让一些应该保留的低频被衰减。所以高斯滤波后的图像比理想低通更模糊,但没有伪影。这是典型的"质量vs伪影"权衡。

2.3.5.3 巴特沃斯滤波器的阶数控制与通带平坦度

如果你希望有一个"可调节陡峭度"的滤波器,介于理想(最陡峭但振铃)和高斯(最平滑但模糊)之间,巴特沃斯(Butterworth)滤波器就是答案。citeweb_search:13#0

巴特沃斯低通的频域响应:

H(u, v) = 1 / (1 + (D(u,v) / D<sub>0</sub>)<sup>2n</sup>)

其中 n 是阶数,D0 是截止频率。这个公式的设计哲学是**“最大平坦通带”**:在通带内(D < D0),响应尽可能平坦地接近1;在阻带外(D > D0),响应以 2n·20dB/十倍频 的速率衰减。

阶数 = 调节旋钮

n ↑ → 更陡峭 → 更锐利但可能振铃

n ↓ → 更平滑 → 更模糊但无振铃

高阶 n=10
接近理想

过渡陡峭

轻微振铃

模糊程度: 低

低阶 n=1
接近高斯

过渡平缓

无振铃

模糊程度: 高

阶数 n 是你的调节旋钮:

  • n=1:接近高斯,完全无振铃
  • n=2~3:工程上的"甜点",平衡清晰度和伪影
  • n→∞:趋近理想滤波器,振铃明显citeweb_search:13#3

代码示例:频域滤波器设计与对比

import cv2
import numpy as np

def create_frequency_filters(shape, cutoff, order=2):
    """
    创建三种频域低通滤波器:理想、高斯、巴特沃斯

    参数:
        shape: (H, W) 图像尺寸
        cutoff: 截止频率 D0
        order: 巴特沃斯阶数
    """
    rows, cols = shape
    crow, ccol = rows // 2, cols // 2

    # 构建频率坐标网格(中心化后)
    u = np.arange(cols) - ccol
    v = np.arange(rows) - crow
    U, V = np.meshgrid(u, v)
    D = np.sqrt(U**2 + V**2)

    # 1. 理想低通 (ILPF)
    ideal = np.zeros((rows, cols), np.float32)
    ideal[D <= cutoff] = 1

    # 2. 高斯低通 (GLPF)
    gaussian = np.exp(-(D**2) / (2 * cutoff**2))

    # 3. 巴特沃斯低通 (BLPF)
    butterworth = 1 / (1 + (D / cutoff)**(2 * order))

    # 扩展为双通道(适配DFT复数输出)
    ideal_2ch = np.stack([ideal, ideal], axis=2)
    gaussian_2ch = np.stack([gaussian, gaussian], axis=2)
    butterworth_2ch = np.stack([butterworth, butterworth], axis=2)

    return ideal_2ch, gaussian_2ch, butterworth_2ch, D

def compare_filters_visual():
    """
    对比三种滤波器的频域响应和空域核
    """
    shape = (256, 256)
    cutoff = 40
    order = 2

    ideal, gauss, butter, D = create_frequency_filters(shape, cutoff, order)

    # 提取单通道查看频域响应
    fig_data = {
        "Ideal (freq)": ideal[:,:,0],
        "Gaussian (freq)": gauss[:,:,0],
        f"Butterworth n={order} (freq)": butter[:,:,0],
    }

    # 逆变换得到空域核(取中心区域)
    def freq_to_spatial(freq_filter):
        # ifftshift -> idft -> 取实部
        f_ishift = np.fft.ifftshift(freq_filter)
        f_complex = np.stack([f_ishift, np.zeros_like(f_ishift)], axis=2)
        spatial = cv2.idft(f_complex, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT)
        return spatial

    spatial_ideal = freq_to_spatial(ideal[:,:,0])
    spatial_gauss = freq_to_spatial(gauss[:,:,0])
    spatial_butter = freq_to_spatial(butter[:,:,0])

    # 提取中心128×128区域观察旁瓣
    c = 128
    s = 64

    print("=== Filter Comparison ===")
    print(f"Cutoff frequency D0 = {cutoff}")
    print(f"Butterworth order n = {order}")
    print()

    # 分析空域核的"旁瓣"程度(远离中心的能量)
    for name, sp in [("Ideal", spatial_ideal), ("Gaussian", spatial_gauss), 
                     ("Butterworth", spatial_butter)]:
        center_peak = np.abs(sp[c, c])
        edge_energy = np.abs(sp[c-s:c+s, c-s:c+s]).sum() - center_peak
        print(f"{name:15s}: center peak={center_peak:.2e}, "
              f"surrounding energy={edge_energy:.2e}")

    return ideal, gauss, butter

def apply_filters_to_image():
    """
    将三种滤波器应用到测试图像,对比振铃效应
    """
    # 创建测试图:强边缘(最容易暴露振铃)
    img = np.zeros((512, 512), dtype=np.float32)
    img[200:312, :] = 255  # 水平亮条

    # DFT
    dft = cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)
    dft_shift = np.fft.fftshift(dft)

    # 创建滤波器
    ideal, gauss, butter, _ = create_frequency_filters(img.shape, cutoff=30, order=2)

    results = {}
    for name, filt in [("Ideal", ideal), ("Gaussian", gauss), ("Butterworth", butter)]:
        # 频域乘积
        filtered_dft = dft_shift * filt

        # 逆变换
        f_ishift = np.fft.ifftshift(filtered_dft)
        restored = cv2.idft(f_ishift, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT)
        restored = np.clip(restored, 0, 255)

        results[name] = restored

        # 量化振铃:强边缘附近的过冲/下冲
        profile = restored[256, :]  # 水平中线
        edge_idx = np.where(np.abs(np.diff(profile)) > 10)[0]
        if len(edge_idx) > 0:
            ei = edge_idx[0]
            overshoot = np.max(profile[ei-5:ei+5]) - 255
            undershoot = np.min(profile[ei-5:ei+5])
            print(f"{name:15s}: overshoot={overshoot:.1f}, undershoot={undershoot:.1f}")

    return img, results

def demo_butterworth_orders():
    """
    巴特沃斯阶数对比:n=1, 2, 5, 10
    """
    img = np.zeros((512, 512), dtype=np.float32)
    cv2.circle(img, (256, 256), 100, 255, -1)

    dft = cv2.dft(img, flags=cv2.DFT_COMPLEX_OUTPUT)
    dft_shift = np.fft.fftshift(dft)

    orders = [1, 2, 5, 10]
    results = {}

    for n in orders:
        _, _, butter, _ = create_frequency_filters(img.shape, cutoff=40, order=n)
        filtered = dft_shift * butter
        f_ishift = np.fft.ifftshift(filtered)
        restored = cv2.idft(f_ishift, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT)
        results[n] = np.clip(restored, 0, 255)
        print(f"Butterworth n={n:2d}: processed")

    return img, results

if __name__ == "__main__":
    ideal, gauss, butter = compare_filters_visual()
    orig, filtered_results = apply_filters_to_image()
    circle, order_results = demo_butterworth_orders()

2.3.6 闭环:从原理到实践

好了,我们已经一起走过了从"滑动窗口求平均"到"频域滤波器设计"的完整旅程。让我们停下来,回顾一下这张认知地图。

2.3.6.1 本章核心脉络

我们从卷积的数学定义出发,澄清了严格卷积与互相关的区别,理解了锚点和delta参数的语义。然后深入可分离卷积的O(n²)→O(2n)优化,用SVD检测任意核的可分离性。接着对比了均值/方框/高斯三种空域滤波器,理解了高斯核的可分离性证明和6σ尺寸规则。然后我们切换到频域视角,掌握了DFT的复数输出、fftshift中心化、幅度/相位可视化,并验证了卷积定理。最后设计了三种频域滤波器,理解了振铃效应的物理来源(Gibbs现象)以及高斯和巴特沃斯如何通过平滑过渡来抑制它。

filter2D
sepFilter2D

blur
boxFilter

GaussianBlur
getGaussianKernel

dft · idft
fftshift

频域乘积
逆变换

2.3.1 卷积基础
离散定义 · 锚点 · 可分离性

2.3.2 均值/方框滤波
blur · boxFilter · sqrBoxFilter
积分图O(1)加速

2.3.3 高斯滤波
可分离性证明 · 6σ原则 · SIMD优化

2.3.4 频域分析
DFT · fftshift · 卷积定理

2.3.5 频域滤波器设计
理想(振铃) · 高斯(平滑) · 巴特沃斯(可调)

任意线性滤波

2.3.6.2 这在实际使用中意味着什么

如果你正在构建一个图像处理pipeline,本章的原理直接对应以下工程决策:

  1. 可分离性检查是性能优化的第一步:在自定义滤波器之前,先用SVD检查核是否可分离。如果是,用两次1D卷积替代2D卷积,速度提升与核尺寸成正比。citeweb_search:13#7

  2. 积分图让大核滤波不再是瓶颈:boxFilter和sqrBoxFilter使用积分图实现O(1)查询,计算复杂度与核尺寸无关。如果你需要计算局部均值/方差/标准差,这是比可分离卷积更优的路径。citeweb_search:13#9

  3. 高斯核尺寸必须匹配σ:如果你传了5×5的核但期望σ=3的效果,OpenCV会反推一个等效的小σ,导致滤波不足。使用6σ+1规则确定核尺寸,或者让GaussianBlur自动从σ推导尺寸(传ksize=(0,0))。citeweb_search:13#6

  4. 频域方法对大核有优势:当核尺寸超过~20×20时,频域乘积(O(N log N))通常比空域卷积(O(N·k²))更快。OpenCV的DFT实现经过高度优化,在图像尺寸为2的幂次时效率最高。citeweb_search:13#4

  5. 永远不要对图像用理想滤波器:ILPF的振铃效应(Gibbs现象)是不可避免的数学后果。工程上总是用高斯(无振铃但较模糊)或巴特沃斯(可调陡峭度)替代。阶数n=2~3通常是最佳平衡点。citeweb_search:13#3

2.3.6.3 延伸阅读

如果你想继续深入,以下方向值得探索:

  • 快速傅里叶变换(FFT)算法细节:Cooley-Tukey算法如何将DFT的O(N²)降到O(N log N)。理解位反转(bit-reversal)和蝶形运算(butterfly operation)能让你更好地优化DFT的输入尺寸(填充到2^n)。

  • 小波变换(Wavelet Transform):傅里叶变换告诉你"有哪些频率",但不知道"它们在什么位置"。小波变换同时提供频率和位置信息,是JPEG2000压缩和图像去噪的核心工具。

  • 非局部均值(Non-Local Means)去噪:超越局部邻域的滤波器,利用图像的自相似性——在图像的其他区域寻找与当前块相似的块,做加权平均。它是当前传统去噪算法的质量标杆。

  • 导向滤波(Guided Filter):由何恺明提出,利用引导图像(可以是原图本身)的边缘结构来指导滤波过程,实现边缘保持的平滑。它在图像增强、HDR合成、深度图上采样中有广泛应用。citeweb_search:13#7

  • 可变形卷积网络(Deformable ConvNets):在深度学习中,标准卷积的采样网格是固定的;可变形卷积通过学习偏移量,让采样网格自适应地"变形"以匹配目标形状。这是传统卷积与空间变换网络的结合。


在继续下一章之前,建议你动手运行上面的代码,特别是频域滤波器对比示例。试着修改巴特沃斯阶数 n 从1到20,观察振铃效应如何从"无"渐变到"严重";或者改变高斯滤波的截止频率,理解"更平滑的过渡带"与"更模糊的输出"之间的必然联系。频域直觉的建立,很大程度上来自亲手调整这些参数并观察视觉变化。

我们下一章见。

【图像处理】非线性滤波 非线性滤波 图像处理中滤波分线性滤波和非线性滤波两种,其中常见的线性滤波有:方框滤波,中值滤波,高斯滤波等,其主要原理就是每个像素的输出值是输入像素的加权和,所以像素的输入与输出成线性关系。线性滤波器易于构造,并且易于从频域响应角度进行分析。 但很多中情况下,图像的噪声并不是理想状态下的,比如高斯噪声。多数情况下会有散粒噪声的出现,而一般的线性滤波对这种散粒噪声不能剔除,而是将其转化成更为柔和可见... 阅读详情

相关推荐

OpenCV频域低通滤波实战:从傅里叶变换到巴特沃斯滤波器实现

数字图像处理中,频域滤波是一种基于傅里叶变换的核心技术,它将图像从空间域转换到频率域进行分析与处理。其基本原理是利用傅里叶变换将图像分解为不同频率的正弦波分量,通过设计特定的滤波器传递函数对特定频率分量进行增强或抑制。这项技术的核心价值在于提供了分析图像频率特征的“上帝视角”,能够实现比空间域卷积更直观的频率选择性操作,例如分离噪声、提取纹理或进行图像压缩。在工程实践中,频域滤波广泛应用于图像去噪、图像增强、纹理分析和医学影像处理等场景。本文以OpenCV为工具,深入探讨了频域低通滤波的实现细节,特别是巴特

weixin_30703911的博客 383

【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤

频率域图像滤波的基本步骤如下: (1)对原图像 f(x,y) 经傅里叶变换为 F(u,v), (2)用适当的滤波器函数 H(u,v) 对傅里叶变换 F(u,v) 的频谱成分进行修改,得到滤波后的频谱 G(u,v); (3)最后通过傅里叶逆变换返回空间域,得到增强的图像 g(x,y)。

youcans的博客 6653

OpenCV实战系列:图像滤波详解

滤波是信号和图像处理中的基本任务之一,其旨在有选择地提取图像的某些特征,可以用于在给定应用程序的上下文中传达重要信息,例如,去除图像中的噪声、提取所需的视觉特征、图像重采样等。图像滤波起源于信号系统理论,本节将介绍一些与滤波相关的重要概念,并展示如何在图像处理应用程序中使用滤波器。

m0_58523831的博客 2万+

【OpenCV】OpenCV基础教程(10)—— 频率域滤波

10. 频率域滤波 10.1 概述及原理详解 频率域滤波的步骤如下: 10.2 低通滤波 低通滤波器越靠近中心点位置的值越接近于 1,越远离中心位置的值就越小于 1,与傅里叶变换相乘后,相当于保留了低频信息,消弱或者移除了高频信息。 10.2.1 理想低通滤波器 假设 𝐻、𝑊 分别代表图像快速傅里叶变换的高、宽。傅里叶谱的最大值(中心点)的位置在 (maxR, maxC)。radius 代表截断频率。𝐷(𝑟, 𝑐) 代表 (𝑟, 𝑐) 到中心位置的距离。 ilpFilter(r,c)={1D(r,c)≤r

Quentin的博客 3671

OpenCV实战(12)——图像滤波详解

滤波是信号和图像处理中的基本任务之一,其旨在有选择地提取图像的某些特征,可以用于在给定应用程序的上下文中传达重要信息,例如,去除图像中的噪声、提取所需的视觉特征、图像重采样等。图像滤波起源于信号系统理论,本节将介绍一些与滤波相关的重要概念,并展示如何在图像处理应用程序中使用滤波器。

盼小辉丶的博客 2万+

Field-Oriented Control (FOC) 矢量控制 磁场定向控制

Field-Oriented Control (FOC) 磁场定向控制(FOC),也称为矢量控制,是一种用于控制永磁同步电动机(PMSM)和交流感应电动机(ACIM)的技术。 FOC在整个扭矩和速度范围内都具有良好的控制能力。 FOC的实现需要将定子电流从固定参考系转换为转子磁通参考系(也称为d-q参考系)。 速度控制和转矩控制是FOC最常用的控制模式。位置控制模式不太常见。大多数牵引应用使用转矩控制模式,在该模式下,电动机控制系统遵循参考转矩值。在速度控制模式下,电机控制器遵循参考速度值,并生成用于形成内

>>> 1万+

[opencv教程(十)]频率域滤波

图像从空间域变换到某变换域(如傅立叶变换中的频率域)的数学变换,在变换域中进行处理,然后通过反变换把处理结果返回到空间域。

qq_44619702的博客 610

pytorch图像分类篇: 花分类数据集下载和AlexNet网络搭建训练

一、花分类数据集下载 data_setdata_set该文件夹是用来存放训练数据的目录 使用步骤如下: (1)在data_set文件夹下创建新文件夹"flower_data" (2)点击链接下载花分类数据集 (3)解压数据集到flower_data文件夹下 (4)执行"flower_data.py"脚本自动将数据集划分成训练集train和验证集val ├── flower_data ├── flower_photos(解压的数据集文件夹,3670个样本) ...

橙子的博客 8219

【OpenCV 例程200篇】80. 频率域图像滤波详细步骤

在本节中,给出更加详细的频率域图像滤波的步骤和完整例程: (1)读取原始图像 (2)中心化,centralized 2d array (3)快速傅里叶变换 (4)构建低通滤波器 传递函数 (5)在频率域修改傅里叶变换 (6)对低通傅里叶变换 执行傅里叶逆变换 (7)中心化,centralized 2d array (8)截取左上角,大小和输入图像相等

youcans的博客 6044

基于POI-TL实现动态Word模板数据填充(含图表):从需求到落地的完整开发实践

本文聚焦企业级报告生成场景中 “在线编辑模板 + 动态数据填充” 的核心需求,详细阐述基于 POI-TL、OnlyOffice 与 MinIO 的全栈实现方案。通过代码示例拆解模板加载、文字填充、图表匹配渲染(含通过关系 ID 关联图表与段落的关键逻辑)、报告存储全步骤。最终通过技术组合实现业务人员可视化编辑模板、后端高效填充数据的目标,为同类动态 Word 生成需求提供可复用的实践参考。

imHanweihu的博客 1869

Ansys Lumerical FDTD仿真加速策略与高性能硬件选型指南

本文深入探讨了Ansys Lumerical FDTD仿真的核心加速策略,涵盖算法优化与硬件选型两大维度。通过合理运用非均匀网格、对称边界条件等算法技巧,并精准匹配CPU/GPU计算资源与高性能硬件配置,可显著提升仿真效率,将计算时间从数天缩短至数小时。

a0b1c2d3的专栏 631

【OpenCV】—线性滤波:方框滤波、均值滤波、高斯滤波

平滑处理(smoothing)也称模糊处理(bluring),是一种简单且使用频率很高的图像处理方法。平滑处理的用途有很多,最常见的是用来减少图像上的噪点或者失真。处理降低图像分辨率时,平滑处理是好用的方法。(1)图像噪声:指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量,因此在图像增强处理和分类处理之前,必须予以纠正。[1]图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。噪声在理论上可以定义为“不可预测,只能用概率统计方法来认识的随机误差”。(2)图像滤波:指在尽量

qq_44859533的博客 4119

Experion PKS系列开发:I_O模块_ExperionPKS与第三方I-O模块的集成

通过上述步骤,可以成功将第三方I/O模块集成到Honeywell Experion PKS系统中,实现对现场设备的监视和控制。集成过程中需要注意选择合适的第三方模块,配置正确的通信参数,编写正确的控制逻辑,并进行充分的测试,以确保系统的稳定性和可靠性。不同的通信协议(如Modbus、Profibus、Ethernet/IP、CANopen、OPC UA)有其独特的配置和编程方法,但总体流程相似。在实际应用中,根据项目需求选择合适的协议和模块,可以有效提高系统的灵活性和适应性。

zhubeibei168的博客 1107

使用opencv实现图像滤波

滤波是信号和图像处理中的基本任务之一,其旨在有选择地提取图像的某些特征,可以用于在给定应用程序的上下文中传达重要信息,例如,去除图像中的噪声、提取所需的视觉特征、图像重采样等。

十年以上架构设计经验,专注于软件架构和人工智能领域,对机器视觉、NLP、音视频等领域都有涉猎 2849

同步调相机启动与并网控制技术方案

同步调相机起动与并网控制技术方案采用背靠背变流器系统,通过静止变频器(SFC)策略实现无原动机驱动的同步电机从静止到同步转速的平稳起动。方案详细阐述了硬件自检、模块初始化、转子位置检测等关键环节,重点解决启动转矩为零、冲击电流大等挑战。系统基于STM32或C2000系列控制器,包含网侧/机侧变流器、检测保护单元及通信接口,通过励磁脉冲和电压响应分析实现高精度转子初始定位,为后续并网提供必要条件。代码级实现涵盖了ADC自检、数字IO验证及通信端口测试等核心功能。

huanghm88的专栏 310

通过采用下面方法检查内容,还是系统无法更新下载,但是错误代码变成了——下载错误 - 0x80004002-到底如何解决?必须重装系统吗?-这个到底是系统问题,还是硬件问题?

‌。

qq_15963745的博客 338

OPenCV:傅里叶变换、时域和频域、频谱和相位谱、傅里叶级数、离散傅里叶变换(DFT)、频域滤波、高通和低通滤波器、带通和带阻滤波器

日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) 快速了解傅立叶变换(播放PPT即能动态地显示gif图) 有一种运算,把微积分变成加减乘除,它叫傅立叶变换。 傅里叶变换将信号分解为一组余弦函数的过程。 那傅立叶变化到底怎么解决问题的呢? 其实,傅立叶变换(的三角函数形式)的基本...

あずにゃん梓喵的博客 1万+

AI智能体丨使用Coze一键生成爆款书单视频,3个月内获赞131.1w!(附保姆级教程)

这篇教程详细介绍了如何使用扣子(Coze)平台的AI智能工作流批量制作爆款书单视频。通过自动化流程,只需1-2分钟即可生成45-50秒的书单视频,效率提升近百倍。工作流包含文案生成、音频合成、图片素材获取、视频剪辑等全流程,支持随机生成8本书单、自动提取金句、智能配音等功能。教程提供了完整的操作步骤,包括剪映草稿配置、特效添加等细节,并附体验链接和示例效果。最终生成的视频包含书单展示、金句字幕、背景音乐等元素,适合书单号运营者快速批量产出内容。

李同学Lino的博客 2355

OpenCV2学习笔记(五):图像滤波基础

滤波是数字图像处理中的一个基本操作,在信号处理领域可以说无处不在。图像滤波,即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,通常是数字图像处理中不可缺少的操作,其处理效果的好坏将直接影响到后续运算和分析的效果。简单来说,图像滤波的根本目的是在图像中提取出人类感兴趣的特征。

liyuefeilong的专栏 9784

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

OpenCV_10 傅里叶变换:频域滤波+CV的应用

1 傅里叶变换的理解 傅里叶变换是由法国的一位数学家Joseph Fourier在18世纪提出来的,他认为:任何连续周期的信号都可以由一组适当的正弦曲线组合而成。 傅里叶变换是描述信号的需要,它能够反映信号的特征,并可以使用特征值进行量化,比如正弦波可以使用幅值和频率进行描述。下面这幅图是变压器空载电流的输入波形: 它看起来和正弦波很相近,但很难定量的描述其特征,采用傅里叶变换后,得到下述的频谱图(幅值): 从该频谱图中可以清楚的看到,主要包括3,5,7,9次谐波,我们就可以对原信号

小李的研究生学习日记 5806

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

OpenCV图像增强实战教程:从理论到代码实现

📚 想要掌握图像增强的核心技术?本文手把手教你使用OpenCV实现多种图像增强技术,从基础的线性变换到高级的频域滤波,全方位提升你的图像处理能力!适合初学者和进阶开发者!

Despacito0o的博客 2279

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

PyTorch 2.4 + OpenCV 4.10 实战:3种空域滤波器与频域等效核转换对比

本文详细介绍了使用PyTorch 2.4和OpenCV 4.10实现3种空域滤波器(均值、高斯、Sobel)及其频域等效核转换的方法,通过傅里叶变换和卷积定理进行性能对比,为工程实践中的滤波器选择提供量化依据和优化建议。

weixin_34199335的博客 533

OpenCV基础应用2.图像滤波

OpenCV学习(二).图像滤波 一. 均值滤波 1.1 均值滤波核 2. OpenCV实现 二. 中值滤波 2.1 中值滤波核 2.2 OpenCV实现 三. 高斯滤波 3.1 高斯分布 3.2 OpenCV实现 四. 双边滤波 4.1 算法原理 4.2 OpenCV实现 五. 导向滤波 5.1 算法原理 5.2 OpenCV实现 图像滤波,即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像预处理中不可缺少的操作,其处理效果的好坏将直接影响到后续图像处理和分析

亦梦云烟的博客 1791

OpenCV线性滤波(均值滤波,方框滤波,高斯滤波)

OpenCV中提供了三种常用的线性滤波函数,它们分别是方框滤波,均值滤波和高斯滤波。 均值滤波 均值滤波从频域来看,它是一种低通滤波器,高频信号会被滤掉。均值滤波可以帮助消除图像尖锐噪声,实现图像平滑,模糊等功能。理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。 均值滤波器一般是使用下面的模板和图像做卷积来实现。 即以当前像素点为中心,求窗口内所有灰度值的和,...

zy010101博客 1562

OPENCV 滤波

一滤波的基本概念    图像常常被强度随机信号(也称为噪声)所污染.一些常见的噪声有椒盐(Salt & Pepper)噪声、脉冲噪声、高斯噪声等.椒盐噪声含有随机出现的黑白强度值.而脉冲噪声则只含有随机的白强度值(正脉冲噪声)或黑强度值(负脉冲噪声).与前两者不同,高斯噪声含有强度服从高斯或正态分布的噪声.研究滤波就是为了消除噪声干扰。     图像滤波总体上讲包括空域滤波和频域滤波。

u010157575的专栏 1469

图像滤波技术全面解析

利用引导图像进行边缘保持平滑。:已知噪声功率谱的图像复原。:空间距离 + 颜色差异。: 最小均方误差估计。:图像去雾、细节增强。

2401_86968005的博客 1151
上一篇: 【opencv高级教程】 2.2 几何变换与插值算法
下一篇: 【opencv高级教程】2.4 非线性滤波与边缘保留
VectorShift
博客等级 码龄1年 1840粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值