4.3二变量的离散傅里叶变换

📘 数字图像处理中的二变量离散傅里叶变换（2D DFT）超级无敌具体详细讲解

🧠 一、直觉出发：DFT 是干什么的？

傅里叶变换的目的：

把图像从空间域（像素值）转换到频率域（频率成分）。

为什么要这样做？

在空间域里，图像是像素点构成的。
在频率域里，图像变成了由一堆“波”的频率、振幅和相位组成。
频率越高，图像变化越剧烈（例如边缘）；频率越低，图像越平滑（例如大致结构）。

📐 二、公式讲解（二变量离散傅里叶变换）

1️⃣ 变换公式（2D DFT）：

给定一个大小为 $\times N$ 的图像 $f (x, y)$ ，二维离散傅里叶变换的公式是：

$\sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) \cdot e^{-j2\pi \left( \frac{ux}{M} + \frac{vy}{N} \right)}$

其中：

$f (x, y)$ 是空间域中的像素值；
$F (u, v)$ 是频率域中的傅里叶系数；
$u, v$ 是频率坐标；
$j$ 是虚数单位；
$e−jθ=cos⁡(θ)−jsin⁡(θ)e^{-j\theta} = \cos(\theta) - j\sin(\theta)$

2️⃣ 逆变换（Inverse DFT）：

$\frac{1}{MN} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u, v) \cdot e^{j2\pi \left( \frac{ux}{M} + \frac{vy}{N} \right)}$

这表示可以完美还原图像，不丢信息！

🔍 三、物理/几何意义

空间域 vs 频率域

空间域	频率域
像素强度 $f (x, y)$	不同频率的振幅 + 相位 $F (u, v)$
图像本身	图像的“构造波”

怎么理解频率？

$(u, v) = (0, 0)$ ：直流分量，图像平均亮度；
$u, v$ 越大：频率越高，图像变化越快；
高频：细节、边缘；
低频：轮廓、平滑区域；

频域可以用来：压缩图像、滤除噪声、检测边缘、增强细节等。

🧰 四、Python + Numpy 实现（代码版）

import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

# 加载图像（灰度）
img = Image.open('your_image.png').convert('L')
f = np.array(img)

# 2D DFT
F = np.fft.fft2(f)

# 频谱图像（取对数幅值）
magnitude = np.abs(F)
magnitude_log = np.log(1 + magnitude)

# 中心化（把低频移到中心）
F_shifted = np.fft.fftshift(F)
magnitude_shifted = np.log(1 + np.abs(F_shifted))

# 显示频谱
plt.imshow(magnitude_shifted, cmap='gray')
plt.title('2D DFT Spectrum (Log Scale)')
plt.axis('off')
plt.show()

🔄 五、常见操作与应用

🎯 频率滤波器（滤除特定频率）

低通滤波器：保留低频（去噪、模糊）；
高通滤波器：保留高频（锐化、边缘检测）；
带通滤波器：保留中等频率（特定细节增强）；

操作方法：

做 DFT；
在频率域上乘以滤波器 mask；
做反变换得到滤波后的图像。

📊 六、图像频谱怎么看？

在频域图像（频谱）中：

中间是低频（靠中心）；
边缘是高频（快速变化）；
白色亮点代表该频率分量强（重要）；
越亮的频率分量越“参与”图像构造。

🤯 七、深入理解：为何是指数 $e−j2π(ux/M+vy/N)e^{-j2\pi(ux/M + vy/N)}$ ？

复指数 $e−jθe^{-j\theta}$ 本质上就是一个旋转的复数（单位圆上绕原点旋转）：

在数学上，它用来表示“波”的振动；
在图像中，它表示图像中某种频率的“构造波”；
傅里叶变换就是用一堆正弦波去拟合图像！

可以理解为：

每个 $F (u, v)$ 是整个图像在频率 $(u, v)$ 下的“响应”或“贡献”。

📎 总结一张图：

f(x,y)（空间域图像）
   ↓ 2D DFT
F(u,v)（频率域图像）
   ↓ 操作滤波器
F'(u,v)
   ↓ IDFT
f'(x,y)（处理后的图像）