傅里叶变换及高低通滤波器的分类（均值滤波，高斯滤波，sobel，scharr，拉普拉斯滤波器）

最新推荐文章于 2025-07-13 09:08:20 发布

weixin_37565420

最新推荐文章于 2025-07-13 09:08:20 发布

阅读量1w

点赞数 6

CC 4.0 BY-SA版权

分类专栏： opencv_python 文章标签：高通滤波低通滤波 opencv_python

本文链接：https://blog.youkuaiyun.com/weixin_37565420/article/details/79074382

本文深入探讨了傅里叶变换在图像处理中的应用，详细解析了高低通滤波器，包括均值滤波、高斯滤波器的原理与实现。同时，介绍了Sobel和Scharr算子在边缘检测中的作用，以及拉普拉斯滤波器的特性。通过实例展示了这些滤波器在OpenCV Python库中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

高通滤波，低通滤波是按频率划分的。对于正弦曲线，振幅变化快就是高频，变化慢就是低频。那么对于图像，像素值变化快就是高频（噪声啦，边缘啦、边缘及噪声在局部像素值变化较大），像素值变化慢就是低频。所以一幅图像低频较多，高频较少。那么保留高频就是高通滤波器（边缘提取），保留低频就是低通录波器（图像平滑）。
傅里叶变换将图像转换成幅值谱(magnitude_spectrum)：按频率从小到大由中心向四周扩散，幅值谱越亮说明像素越多，反之则越少。
那么一幅图像经过傅里叶变换之后一定是中心较亮，四周较暗（低频像素多，高频像素少），上代码：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img=cv2.imread('../images/example_01.jpg',0)
# 高通滤波 numpy 用的多
# 正变换
f=np.fft.fft2(img)
fshift=np.fft.fftshift(f)
magnitude_spectrum=20*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(img,cmap='gray'),plt.title('Input Image'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum,cmap='gray'),plt.title('magnitude_spectrum')
plt.show()

上效果：