简介：面向图像处理学习者与OpenCV开发者的一份频率域低通滤波实践代码包，聚焦高斯、理想与巴特沃斯三类滤波器的实现与效果对照，适合已掌握C++基础、希望理解频域滤波流程与参数影响的中级读者。压缩包共8个文件、约86KB，以C++源码和VC工程配置为主，并附带bmp测试图像，便于直接编译运行、观察不同截止频率下的平滑效果与振铃差异。已有2155人学习，说明其在频域滤波入门与课程实验场景中具有一定参考价值。读者可借助源码梳理DFT、频谱修改、IDFT及归一化显示的完整链路，对比理想滤波器的陡峭截断、高斯滤波器的平滑衰减和巴特沃斯滤波器的平坦过渡带，进而掌握滤波器构造、频谱中心化与结果可视化等关键细节，也可将其作为图像去噪、平滑处理实验的对照模板。

1. 一张带周期网纹的扫描件：opencv 频率域滤波先解决什么问题

扫描件表面那层等间距的网纹，用均值滤波和中值滤波试过几轮：核小了纹路还在，核大了字口糊成一团。这是空域滤波的局限——它按邻域位置做平滑，分不清“纹理”和“笔画”，只要落在同一个窗口里就一视同仁。opencv 频率域滤波换了个视角：周期性网纹在频谱上是一对对称的亮点，笔画和背景能量集中在低频，用一个只压掉那两个亮点的掩膜，纹路消失，字口基本不动。日常能碰到的同类问题还有工业相机拍金属件的摩尔纹、遥感图的条带噪声、显微图的背景不均。这篇按“选型—代码—进阶—排查”走一遍，把高斯、理想、巴特沃斯三种低通/高通在 OpenCV 里真正跑起来。

2. 滤波器形状、截止频率与填充尺寸：频域滤波的三个选型问题

2.1 为什么卷积能变成乘法：OpenCV 的 dft 链路上发生了什么

空域里做的是卷积，频域里做的是逐点相乘，这条等价关系来自卷积定理。把图像 $f(x,y)$ 和滤波器冲激响应 $h(x,y)$ 都做离散傅里叶变换，得到 $F(u,v)$ 和 $H(u,v)$，那么 $f * h$ 的频谱就是 $F \cdot H$。工程上的意义很直接：空域里要设计一个 51×51 的核在整幅图上滑动，频域里只需要生成一张和图像同尺寸的掩膜，做一次逐元素乘法。滤波器越复杂、核越大，频域这条路的优势越明显。

但 OpenCV 的 dft 有几件事和 numpy 的习惯不一样，第一次上手容易翻车。第一，cv2.dft的输入必须是CV_32F或CV_64F，读进来的uint8要显式转换；第二，默认输出是双通道的复数排列，实部在[:,:,0]，虚部在[:,:,1]，需要加flags=cv2.DFT_COMPLEX_OUTPUT才拿得到；第三，正变换不缩放，反变换默认也不缩放，这意味着idft(dft(x))得到的是原图的 $M \times N$ 倍，必须靠cv2.DFT_SCALE或手动除回来。

还有一个容易忽略的概念点：DFT 隐含的是循环卷积，不是线性卷积。图像右下角和左上角在频域里是“接在一起”的，如果直接对原图做变换，边界内容会绕回来污染对侧。缓解办法是先 padding，再在反变换后裁掉。padding 的尺寸不是随便补的，OpenCV 提供了getOptimalDFTSize来返回不小于输入的最小快速尺寸，这个尺寸的质因子只包含 2、3、5，DFT 跑得最快。

频谱中心化是另一个必须说清楚的动作。未中心化的频谱，低频在四个角上；中心化之后低频搬到画面正中，圆形和环形滤波器才能用“到中心的距离”来定义。中心化只影响掩膜的设计和频谱的显示，不影响变换本身。np.fft.fftshift默认会对数组的所有轴做移位，遇到双通道的 dft 结果会把通道维也翻过去，必须写成axes=[0,1]，反变换时用ifftshift配对。

2.2 理想、高斯、巴特沃斯：三条频响曲线各自的代价

三种低通滤波器的差别，全在“从通带到阻带的过渡方式”上。

理想低通的传递函数是一个硬切的圆：$H(u,v)=1$ 当 $D(u,v) \le D_0$，否则为 0。$D(u,v)$ 是频率点到中心的距离。它在频域是一个矩形窗，对应到空域就是二维 sinc 函数，sinc 有正负旁瓣，和图像卷积之后，强边缘两侧会出现过冲和下冲，也就是振铃。振铃不是参数没调好，是理想低通的数学必然，所以它更适合做频谱分析和教学演示，成片处理里很少单独用。

高斯低通是 $H = \exp(-D^2/(2D_0^2))$。它的傅里叶变换还是高斯，空域没有旁瓣，所以不产生振铃。代价是过渡带最宽，同样的截止频率下边缘最软，去噪的同时细节也一起被抹掉。它适合放在预处理链的前段，或者你只关心低频结构、不关心锐度的场景。

巴特沃斯低通是 $H = 1/(1+(D/D_0)^{2n})$。$n=1$ 时它退化成一种很缓的曲线，$n$ 越大越逼近理想低通的硬切。$n=2$ 到 $4$ 是工程上常用的区间：过渡带比高斯窄，振铃比理想弱。$D_0$ 在这里就是半功率点，$H(D_0)=0.5$，这一点比高斯方便，高斯的 $D_0$ 是标准差，半功率点在 $1.177D_0$ 附近。

选型的判断顺序我一般是这样：先看目标是不是“压掉某段频率、保留边缘”，是的话优先高斯；如果高斯把需要的细节也糊掉了，换巴特沃斯 n=2 并适当抬高 $D_0$；只有在做频谱分析、需要看清楚某个频段被切掉多少时，才用理想低通。把理想低通直接上生产图，振铃会被误认为“图像质量变差了”，然后回头反复调 $D_0$，这是很常见的弯路。

2.3 截止频率 D0 不能写死成像素值

$D_0$ 的单位是频率域的采样点距离，它和图像尺寸强耦合。同一张内容、分别缩放到 256×256 和 2048×2048，$D_0=30$ 在两张图里代表的物理截止频率差了八倍。所以代码里不要写d0 = 30，要写归一化比例。

常用的归一化方式有两种。一种是按短边比例：$D_0 = \text{ratio} \times \min(\text{rows}, \text{cols})$，ratio 取 0.05 到 0.2，具体看你要压掉多粗的纹理。另一种是按图像对角线，适合长宽比差异大的图。我一般用短边比例，因为它对长条图更稳。

还有一点：$D_0$ 太小时，低频被削得太多，图像整体亮度会往下掉，因为直流分量虽然还在，但低频结构被压掉了。判断方法是看输出均值，和原图均值差超过 5 个灰度级就说明 $D_0$ 偏小了。

3. 用 OpenCV 跑通三种低通：从补齐尺寸到反变换的完整脚本

3.1 getOptimalDFTSize 和 copyMakeBorder：为什么不能直接 dft

直接把原图丢给cv2.dft能跑，但尺寸不是最优时速度会慢一截，而且边界环绕更明显。标准做法是先算出最优尺寸，再补边。补边的方向是“右下补”，左上保持不动，这样反变换后直接取[:rows, :cols]就是原图位置，不用做额外的平移。

import cv2 import numpy as np def pad_to_optimal(img): """把单通道图补到 DFT 最优尺寸，返回补边后的图和原始尺寸""" rows, cols = img.shape[:2] m = cv2.getOptimalDFTSize(rows) n = cv2.getOptimalDFTSize(cols) if m != rows or n != cols: # 参数顺序：top, bottom, left, right，只往右下补 img = cv2.copyMakeBorder( img, 0, m - rows, 0, n - cols, cv2.BORDER_REFLECT ) return img, rows, cols

getOptimalDFTSize返回的是不小于输入的最小快速尺寸，比如 500 会返回 500（因为 500=2²×5³），501 会返回 512。补边模式选BORDER_REFLECT而不是默认的BORDER_CONSTANT，原因是常量补零会在边界制造一个从图像灰度到 0 的硬跳变，这个跳变在频域里是宽带高频，反变换后表现为边界一圈亮线或暗线。反射补边让边界两侧的灰度连续，接缝会轻很多。如果图像本身边界 content 差异很大，BORDER_REPLICATE也可以作为备选。

3.2 三种低通掩膜的生成函数

掩膜生成的共同前提是先有一张“到中心距离”的网格。因为已经做了 fftshift，低频在(rows//2, cols//2)，所以网格的坐标原点是中心而不是左上角。

def radius_grid(shape): """生成以频谱中心为原点的距离网格""" rows, cols = shape u = np.arange(rows) - rows // 2 v = np.arange(cols) - cols // 2 return np.sqrt(u[:, None] ** 2 + v[None, :] ** 2).astype(np.float32) def ideal_lowpass(shape, d0): d = radius_grid(shape) return (d <= d0).astype(np.float32) def gaussian_lowpass(shape, d0): d = radius_grid(shape) return np.exp(-(d ** 2) / (2.0 * d0 ** 2)).astype(np.float32) def butterworth_lowpass(shape, d0, order=2): d = radius_grid(shape) return (1.0 / (1.0 + (d / d0) ** (2 * order))).astype(np.float32)

三个函数的返回值都是(rows, cols)的float32，值域在 0 到 1 之间。d0传进来之前要先按短边比例算好。order只对巴特沃斯有效，取 2 到 4；写成 5 以上时振铃会明显增强，这一点在 2.2 的对比表里已经说过。

注意radius_grid里用的是rows // 2而不是(rows-1)/2。当尺寸是偶数时两者一致，是奇数时差半个像素，对圆形滤波器的影响可以忽略。但如果你的图补边后是奇数尺寸，而你又严格要求中心对齐，可以改成浮点中心，代价是网格计算稍慢。

3.3 正变换、中心化、滤波、反变换与裁剪回原尺寸

把前面的零件串起来，完整链路是六步：转浮点、补边、dft、fftshift、乘掩膜、ifftshift + idft + magnitude + 裁剪。

def freq_lowpass(gray, kind='gaussian', ratio=0.1, order=2): """gray: uint8 单通道；kind: ideal/gaussian/butterworth""" img = gray.astype(np.float32) padded, rows, cols = pad_to_optimal(img) m, n = padded.shape # 正变换：输出双通道复数 dft = cv2.dft(padded, flags=cv2.DFT_COMPLEX_OUTPUT) # 中心化：只移前两个轴，通道轴不能动 dft_shift = np.fft.fftshift(dft, axes=[0, 1]) d0 = ratio * min(rows, cols) if kind == 'ideal': H = ideal_lowpass((m, n), d0) elif kind == 'gaussian': H = gaussian_lowpass((m, n), d0) else: H = butterworth_lowpass((m, n), d0, order) # 逐点相乘：H 是二维，dft_shift 是三维，扩一维对齐 filtered = dft_shift * H[:, :, None] # 反变换：先逆中心化，再 idft，DFT_SCALE 负责 1/(m*n) f_ishift = np.fft.ifftshift(filtered, axes=[0, 1]) back = cv2.idft(f_ishift, flags=cv2.DFT_SCALE | cv2.DFT_COMPLEX_OUTPUT) out = cv2.magnitude(back[:, :, 0], back[:, :, 1]) # 裁回原尺寸并截断到 uint8 范围 return np.clip(out[:rows, :cols], 0, 255).astype(np.uint8)

几个参数和写法值得单独说明。cv2.dft的DFT_COMPLEX_OUTPUT必须加，否则拿到的是打包格式，取实部虚部会错位。np.fft.fftshift的axes=[0,1]是硬性要求，不写的话通道维也会被移位，后续乘掩膜时实部和虚部会被交换，输出颜色和结构全乱。H[:, :, None]是把二维掩膜扩成(m,n,1)，靠 numpy 广播和双通道相乘，等价于实部虚部分别乘同一个系数。

cv2.idft的DFT_SCALE做的是除以元素总数 $m \times n$，正好抵消正变换的放大。如果忘了这个 flag，输出值会是原图的几万倍，astype(np.uint8)之后几乎全白。最后np.clip是保险，浮点误差可能让个别像素落到 255 以上或 0 以下。

3.4 用合成条纹图做一次自检

拿真实图调参之前，先用一张合成的、你知道 ground truth 的图跑一遍，能快速确认链路没写错。

# 造一张带竖条纹的测试图 canvas = np.full((512, 512), 200, np.uint8) cv2.rectangle(canvas, (120, 180), (400, 330), 40, -1) for x in range(0, 512, 8): cv2.line(canvas, (x, 0), (x, 511), 120, 1) for kind in ['ideal', 'gaussian', 'butterworth']: out = freq_lowpass(canvas, kind=kind, ratio=0.08) print(kind, 'mean=', out.mean(), 'std=', out.std())

三个输出放在一起看：条纹应该都被压掉，矩形的边缘保留程度不同。理想低通的矩形边缘两侧会出现明暗相间的细纹，这就是振铃；高斯边缘最软但没有纹；巴特沃斯介于两者之间。如果理想低通的输出没有振铃、或者高斯的输出出现了振铃，说明掩膜生成或中心化有问题，先回去查radius_grid的中心坐标和fftshift的 axes。均值这一列也有用：三种滤波器的输出均值应该接近 200 左右，如果某个结果均值掉到 150 以下，说明 $D_0$ 太小，低频被过度压制。

4. 高通、陷波与彩色图：频域滤波的三种进阶用法

4.1 高通不是简单 1 减低通：直流分量要单独处理

高通掩膜最直接的写法是 $H_{hp} = 1 - H_{lp}$。数学上没错，但直接拿去做会得到一个均值接近 0 的输出：直流分量对应的 $H_{lp}(0,0)=1$，减完之后变成 0，图像整体亮度被抽走了。astype(np.uint8)会把负值截成 0、正值截成 255，看起来就是一张黑白噪点图。

处理办法有三种。第一种是滤波后归一化：cv2.normalize(out, out, 0, 255, cv2.NORM_MINMAX)，适合只关心边缘结构、不关心绝对灰度的场景，比如纹理分析。第二种是加偏移：out = out + 128，保留直流附近的相对关系，适合做锐化预览对比。第三种是保留直流：只在 $D > D_0$ 的区域做提升，中心低频区不置零。

def highpass_from_lowpass(H, keep_dc=True, dc_radius=3): hp = 1.0 - H if keep_dc: d = radius_grid(H.shape) hp[d <= dc_radius] = 1.0 return hp.astype(np.float32)

dc_radius给 2 到 4 个像素，把中心极小的一块低频保下来，输出均值就不会塌。这个参数不需要精确，它只影响整体亮度，不影响高频增强的效果。

高通还有一个边界问题比低通更明显。低通把高频压掉，边界跳变本身也被压掉了，所以接缝不明显；高通反而把 padding 边界处的反射跳变放大了，输出图的四条边会出现一圈亮线。解决办法是在 3.1 的补边之后、dft 之前，先把边界几个像素用cv2.copyMakeBorder的内侧内容做羽化，或者干脆在最终结果上裁掉 5 个像素的边。我一般选后者，简单直接。

4.2 周期性条纹的去除：从频谱亮点到陷波器

低通能去掉细密条纹，但条纹周期较大时，它的能量落在中频，低通要压掉它就得以牺牲大量细节为代价。这时候用陷波：只在频谱上那几个亮点位置做局部衰减，其他频率原样保留。

找亮点可以手工看，也可以半自动。把中心化后的幅度谱做 log 变换，屏蔽掉中心低频区，剩下的极大值就是周期性噪声的谱峰。

def find_peaks(dft_shift, exclude_ratio=0.05, topk=6): mag = np.log1p(cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])) m, n = mag.shape mask = np.ones_like(mag, np.float32) cv2.circle(mask, (n // 2, m // 2), int(exclude_ratio * min(m, n)), 0, -1) score = mag * mask idx = np.argsort(score.ravel())[-topk:] return [(i // n, i % n) for i in idx]

exclude_ratio屏蔽中心低频，避免把直流和主要结构误判成噪声峰；topk取 4 到 8，因为一对对称亮点会产生两个峰，取太多会把真实纹理也陷掉。拿到坐标后构造陷波掩膜：

def notch_mask(shape, centers, r=4.0): H = np.ones(shape, np.float32) rows, cols = shape for cy, cx in centers: u = np.arange(rows)[:, None] - cy v = np.arange(cols)[None, :] - cx H *= 1.0 - np.exp(-(u ** 2 + v ** 2) / (2.0 * r ** 2)) return H

r是陷波半径，取 3 到 6。太小压不干净，太大会在空域产生新的振铃。陷波器本质上是多个高斯凹陷的乘积，所以它比理想陷波温和，不会引入明显的环形伪影。如果条纹方向单一，只需要陷掉垂直于条纹方向的那一对峰，对称位置会自动处理，因为实图像的频谱是共轭对称的。

4.3 彩色图转 YCrCb 只处理亮度通道

三通道 BGR 直接cv2.dft会报错，因为 dft 只接受单通道或双通道。拆成三个通道分别滤波再合并，能跑，但每个通道的低频结构略有差异，分别压制之后通道间的比例关系被破坏，结果常常发灰或者偏色。

更稳的做法是转 YCrCb，只对 Y 通道做频域滤波，Cr 和 Cb 原样保留。

def color_freq_lowpass(bgr, ratio=0.1, kind='gaussian'): ycrcb = cv2.cvtColor(bgr, cv2.COLOR_BGR2YCrCb) y, cr, cb = cv2.split(ycrcb) y2 = freq_lowpass(y, kind=kind, ratio=ratio) merged = cv2.merge([y2, cr, cb]) return cv2.cvtColor(merged, cv2.COLOR_YCrCb2BGR)

Y 是亮度，人眼对它的高频变化最敏感，纹理和噪声也主要集中在这里；Cr、Cb 是色度，分辨率要求低，保持原样不会带来视觉上的损失。如果处理的是色彩噪声，可以再对 Cr、Cb 做一次小半径的低通，但半径要比 Y 通道小一半以上，否则会出现色彩渗出。

同态滤波也是在这个结构上做的：对 log 之后的亮度通道做频域高通，再 exp 回来，用来压掉光照不均。它的掩膜不是 4.1 里的简单高通，而是 $H = (\gamma_H - \gamma_L)(1 - \exp(-c D^2/D_0^2)) + \gamma_L$，$\gamma_H$ 取 1.5 到 2.0，$\gamma_L$ 取 0.3 到 0.5。这个公式在 OpenCV 里没有现成函数，需要自己写，但骨架和 4.1 完全一样。

5. 频域滤波的五个高频翻车点：排查顺序与常见问题

5.1 输出全黑或全白

现象：滤波后的图几乎全是 0 或者全是 255，看不到任何结构。

原因有两类。一类是反变换没缩放，cv2.idft没加DFT_SCALE，输出值域是原图的 $m \times n$ 倍，astype(np.uint8)之后全部饱和。另一类是取了实部却忘了取模，复数结果的实部有正有负，直接截断会丢掉一半信息。

解决：确认cv2.idft的 flags 里带了cv2.DFT_SCALE，或者手动out / (m * n)；确认最后一步用的是cv2.magnitude(back[:,:,0], back[:,:,1])而不是back[:,:,0]。排查时先打印out.min()和out.max()，正常值域应该在 0 到 255 附近，超出这个范围就是缩放问题。

5.2 图像中心出现十字亮线或环形伪影

现象：输出图中心有一条横竖交叉的亮线，或者出现同心圆环。

原因：np.fft.fftshift没有指定axes，默认对最后一维也做了移位，双通道的实部虚部被交换；或者滤波器掩膜的中心坐标和频谱中心不匹配，低频被切在了错误的位置。

解决：正变换和反变换都用axes=[0,1]，且fftshift和ifftshift配对出现。掩膜生成时打印一下H[rows//2, cols//2]，低频处应该是最大值（低通）或 0（高通），如果不是，说明radius_grid的中心算错了。环形伪影则是理想低通振铃的典型表现，换高斯或降巴特沃斯阶数。

5.3 图像边缘一圈接缝

现象：输出图的四条边有明显亮线或暗线，越靠边越明显。

原因：padding 用了BORDER_CONSTANT补零，边界处灰度从图像值硬跳到 0，这个跳变在频域是宽带高频，反变换后回到边界位置。高通滤波会把这个跳变进一步放大。

解决：补边改用BORDER_REFLECT或BORDER_REPLICATE，做完反变换后严格按[:rows, :cols]裁回原尺寸。如果接缝还在，检查是不是裁剪时多裁或少裁了几个像素——补边是往右下补的，左上不动，裁剪也应该是从左上开始。

5.4 彩色图分通道处理之后颜色发灰

现象：三个通道分别滤波再合并，结果饱和度明显下降，或者整体偏青、偏红。

原因：BGR 三个通道的低频分布不完全一致，分别压制后通道间的比例被改变。人眼对色度变化的容忍度低，比例一偏就能看出来。

解决：转 YCrCb 或 LAB，只处理亮度通道，色度通道原样保留。如果确实需要处理色度噪声，Cr、Cb 的滤波半径取 Y 通道的三分之一到二分之一，并且优先用高斯而不是理想低通，避免色度通道的振铃在视觉上被放大。

5.5 振铃被当成噪声，反复调 D0 无效

现象：强边缘两侧出现明暗相间的细纹，调大 $D_0$ 纹路变细但不会消失，调小 $D_0$ 纹路变宽更明显。

原因：这是理想低通或高阶巴特沃斯的吉布斯现象，根源是频域的硬切，不是参数问题。继续调 $D_0$ 只是在改变振铃的宽度，不会消除它。

解决：换高斯低通，或者把巴特沃斯阶数降到 2。如果必须用陡峭的截止，可以在滤波前先对图像做一次轻微的高斯模糊，把最锐的边削弱，再进频域，振铃的幅度会小很多。另一个办法是只对需要压制的频段做滤波，其余频段保留原频谱，用掩膜做局部混合，而不是全图统一处理。

6. 一次参数扫描：把三种低通的截止频率做成可复现的对比表

调参最怕凭感觉。$D_0$ 从 0.05 试到 0.2，三种滤波器一共十二组，肉眼一张张看很容易记混。我的习惯是先跑一遍网格，用两个客观指标把结果排出来，再挑两三张细看。

清晰度用拉普拉斯方差衡量，值越大边缘越锐；对比度用输出标准差，值越大层次越开。这两个指标都不完美，但足够把“糊过头”和“没滤干净”这两种极端排掉。

import itertools def sweep(gray, ratios=(0.05, 0.08, 0.12, 0.2)): rows = [] for kind, ratio in itertools.product( ['ideal', 'gaussian', 'butterworth'], ratios): out = freq_lowpass(gray, kind=kind, ratio=ratio) lap_var = cv2.Laplacian(out, cv2.CV_64F).var() rows.append((kind, ratio, round(out.mean(), 2), round(out.std(), 2), round(lap_var, 2))) return rows

跑完之后按lap_var排序，通常能看到一条清晰的趋势：ratio 越大，拉普拉斯方差越高，但高频噪声也回来得越多。高斯在同样的 ratio 下方差最低，理想低通最高，巴特沃斯居中。如果某张图在 ratio=0.12 时方差突然跳变，多半是振铃开始出现，翻回去看那张图就能确认。

这张表是合成条纹图上的典型量级，真实图会不一样，但相对关系稳定：理想低通的拉普拉斯方差总是最高，因为它把边缘过冲也算了进去；高斯的均值最稳，因为它没有振铃带来的局部极值。我在一个批次两百多张扫描件的项目里，最后选的是高斯 ratio=0.09 做去网纹，再叠一次轻度 unsharp mask 把字口拉回来。这个组合不是理论最优，是那张表加上几十张目视挑出来的。

血泪经验是别在循环里反复读写磁盘，freq_lowpass每次都会重新算radius_grid，图多的时候把网格缓存下来能省一半时间。另外记得把中间结果存成 16 位 PNG 再做指标统计，存成 JPEG 之后压缩噪声会污染拉普拉斯方差，排序结果会失真。希望帮到你。

本文还有配套的精品资源，点击获取