傅里叶变换高通滤波低通滤波_origin fft滤波器-CSDN博客

本文链接：https://blog.csdn.net/qq_42422981/article/details/105071624

本文介绍了傅里叶变换在图像处理中的作用，解释了幅值谱与频率的关系，指出低频信息对应图像的平缓部分，高频信息对应边缘和噪声。通过高通滤波器可以提取图像边缘，而低通滤波器则用于图像平滑。同时，文中探讨了均值滤波、高斯滤波、Sobel和Scharr滤波器的频率特性，分别归类为低通和高通滤波器。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

幅值谱：频率和幅值的关系。中心为频率最小点。因此幅值谱中心部分代表的是低频信息，即空间域的平缓的部分。越往外代表的是高频信息，空间域的边缘啊噪声等

频率：以正弦波为例，就是周期的倒数

幅值：周期内最大值

幅值高（幅值谱越亮的部分）代表像素越多。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），因为一般一幅图像中高频信息（边缘等）是很少的，多的是背景。

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。
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：