4、频率域滤波去噪：傅里叶变换原理、低通滤波、高通滤波、带阻滤波在去噪中的应用

说实话，刚接触遥感图像处理那会儿，我对频率域滤波是有点发怵的。总觉得傅里叶变换这玩意儿太数学了，离实际工程很远。直到有一次处理一张被周期性条纹严重污染的卫星影像，空域滤波怎么调都不行，最后硬着头皮上了频率域——效果出奇的好。从那以后，我就彻底服了。

今天咱们就聊聊频率域滤波去噪。说白了，就是把图像从空间域变换到频率域，在频率域里做文章，再变换回来。你想想看，很多噪声在空间域里纠缠不清，到了频率域却一目了然。

4.1 傅里叶变换：图像的另一张脸

傅里叶变换的核心思想是什么？任何信号都可以分解成不同频率的正弦波叠加。图像也一样——平坦区域对应低频，边缘和细节对应高频，噪声嘛，往往也落在高频区。

对于二维图像，离散傅里叶变换（DFT）的公式长这样：

F(u,v) = Σ Σ f(x,y) * exp(-j2π(ux/M + vy/N))

别被公式吓到。实际工程中我们直接用快速傅里叶变换（FFT），OpenCV里一行代码搞定：

import cv2
import numpy as np

# 读取图像，转为灰度
img = cv2.imread('remote_sensing.tif', 0)

# 进行傅里叶变换
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)  # 将低频移到中心
magnitude_spectrum = 20 * np.log(np.abs(fshift))

这里有个细节我提醒你——fftshift这一步很关键。不做shift的话，低频分量在四个角上，看着别扭，做滤波也不方便。我个人习惯上来就先shift，处理完再逆shift回去。

4.2 低通滤波：平滑去噪的利器

低通滤波，顾名思义——让低频通过，抑制高频。遥感图像里的随机噪声、椒盐噪声，大多落在高频区，低通滤波正好对症。

怎么做？构造一个掩膜，中心（低频）为1，周围（高频）为0，然后与频谱图做点乘。

rows, cols = img.shape
crow, ccol = rows // 2, cols // 2

# 构造理想低通滤波器，半径30像素
mask = np.zeros((rows, cols), np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1

# 应用滤波
f_filtered = fshift * mask

# 逆变换
img_back = np.fft.ifft2(np.fft.ifftshift(f_filtered))
img_back = np.abs(img_back)

嗯，这里要注意——理想低通滤波器会产生振铃效应。为什么？因为频域里突然截断，对应空域就是sinc函数，会产生震荡。我建议你用高斯低通滤波器，过渡更平滑：

# 高斯低通滤波器
D = np.sqrt((x - crow)**2 + (y - ccol)**2)
sigma = 30
gaussian_mask = np.exp(-(D**2) / (2 * sigma**2))
f_filtered = fshift * gaussian_mask

4.3 高通滤波：边缘增强的妙用

高通滤波和低通正好相反——保留高频，抑制低频。在遥感图像里，高通滤波可以用来增强边缘、突出线性地物（比如道路、河流边界）。

实现方式也简单，用1减去低通掩膜就行：

# 高通掩膜 = 1 - 低通掩膜
highpass_mask = 1 - gaussian_mask
f_high = fshift * highpass_mask

# 逆变换
img_high = np.fft.ifft2(np.fft.ifftshift(f_high))
img_high = np.abs(img_high)

高通滤波后的图像，背景通常偏暗，因为低频分量被抑制了。你可以加一个偏移量来恢复亮度：

# 高频增强，保留部分低频
alpha = 0.5  # 低频保留比例
enhanced = fshift * (alpha + (1 - alpha) * highpass_mask)

我记得有一次做道路提取，原始影像对比度太低，边缘检测效果很差。用高通滤波增强后，道路边界清晰了很多，后续分割准确率直接提升了15%。

4.4 带阻滤波：精准打击特定噪声

带阻滤波是我个人最喜欢的去噪手段。它针对的是特定频率范围的噪声——比如传感器产生的周期性条纹、扫描线噪声。

这类噪声在频谱图上表现为几个明亮的点或短线。你只要找到这些点的位置，把它们“挖掉”就行。

# 带阻滤波器：抑制特定频率
mask = np.ones((rows, cols), np.uint8)

# 假设噪声点在 (crow+20, ccol+30) 附近
cv2.circle(mask, (ccol+30, crow+20), 5, 0, -1)  # 挖掉这个区域

f_notch = fshift * mask
img_notch = np.fft.ifft2(np.fft.ifftshift(f_notch))
img_notch = np.abs(img_notch)

还有一种情况——噪声分布在一个频带内，而不是几个点。这时候用带阻滤波器，设定一个频率范围，把整个环带抑制掉：

# 环形带阻滤波器
D = np.sqrt((x - crow)**2 + (y - ccol)**2)
D0 = 40  # 中心频率
W = 10   # 带宽

# 巴特沃斯带阻
bandstop = 1 / (1 + ((D * W) / (D**2 - D0**2 + 1e-6))**4)
f_bandstop = fshift * bandstop

带宽W的选择很讲究。太窄了抑制不干净，太宽了会伤及无辜。我一般从W=5开始试，观察去噪效果和图像细节保留情况，逐步调整。

4.5 三种滤波的对比与选择

说了这么多，到底什么时候用哪种？我整理了一张表，你参考一下：

滤波类型	适用场景	优点	缺点
低通滤波	随机噪声、高斯噪声	实现简单，去噪效果好	边缘模糊，细节丢失
高通滤波	边缘增强、细节突出	提升图像锐度	放大噪声，背景偏暗
带阻滤波	周期性噪声、条纹噪声	精准打击，不伤及其他频率	需要先定位噪声频率

实际项目中，我经常组合使用。比如先带阻滤掉周期性条纹，再用低通平滑残余的随机噪声。顺序不能反——先低通的话，条纹噪声会被模糊但不会消失，后面带阻反而不好定位。

4.6 知识体系总览

为了让你对本章内容有个整体把握，我画了一张流程图，把核心逻辑串起来：

这张图把整个流程串起来了。你从原始图像出发，经过FFT进入频率域，根据噪声类型选择低通、高通或带阻滤波，再IFFT回到空间域，得到去噪后的结果。每一步都有对应的OpenCV代码实现，照着练几遍就熟了。

好了，频率域滤波去噪的内容就聊到这儿。记住一句话：空域滤波是“广谱抗生素”，频率域滤波是“靶向药”。用对了地方，效果立竿见影。

---