第三章 频域去噪：傅里叶变换与频域滤波

各位同学，欢迎来到第三章。这一章我们聊聊频域去噪。说实话，很多做ISP的工程师对频域有点怵，觉得数学太深。我刚开始也这么想，直到在项目中吃了一次亏——有个传感器在特定光照下产生周期性条纹，空域滤波怎么调都去不掉。后来用频域方法，十分钟搞定。从那以后，我就把频域当成一个必备工具了。

3.1 为什么需要频域去噪？

你想想看，空域滤波就像用刷子刷墙，局部操作，效率高但有些噪声就是刷不掉。比如周期性噪声、摩尔纹这些，它们在空域里分布得乱七八糟，但在频域里却集中在几个点上。

频域去噪的核心思想很简单：把图像从空间域变换到频率域，在频率域里处理噪声，再变换回来。说白了，就是换个角度看问题。

3.2 傅里叶变换：从空间到频率

傅里叶变换是什么？我习惯这么理解：任何图像都可以看作无数个不同频率、不同方向的正弦波的叠加。傅里叶变换就是帮我们拆解这些成分的数学工具。

对于数字图像，我们用的是二维离散傅里叶变换（2D DFT）：

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

其中：
- f(x,y) 是空域像素值
- F(u,v) 是频域系数
- M,N 是图像尺寸
- u,v 是频率坐标

嗯，公式看着有点吓人。但实际用的时候，我们直接用快速傅里叶变换（FFT），OpenCV里一行代码就搞定了。

3.3 频谱分析：读懂图像的"基因"

拿到频谱图后怎么看？我教你一个简单的方法：

• 中心区域：低频成分，对应图像的平滑区域、背景
• 远离中心：高频成分，对应边缘、纹理、细节
• 亮点或亮线：周期性噪声或特定方向的结构

举个例子。有一次我处理一张工业相机拍的电路板图像，频谱图上出现了几个对称的亮点。一看就知道——这是50Hz工频干扰。用带阻滤波器一卡，干净了。

3.4 频域滤波器设计

频域滤波说白了就是：设计一个掩膜，在频域里乘上去。乘1保留，乘0滤除，乘0.5衰减。

3.4.1 低通滤波器

低通滤波器保留低频，抑制高频。适合去除高斯噪声、椒盐噪声，但会模糊边缘。

def ideal_lowpass_filter(shape, cutoff):
    rows, cols = shape
    crow, ccol = rows//2, cols//2
    mask = np.zeros((rows, cols), np.uint8)
    for i in range(rows):
        for j in range(cols):
            dist = np.sqrt((i-crow)**2 + (j-ccol)**2)
            if dist <= cutoff:
                mask[i,j] = 1
    return mask

我个人不太喜欢理想低通滤波器，振铃效应太明显。我建议用高斯低通滤波器，过渡更平滑：

def gaussian_lowpass(shape, sigma):
    rows, cols = shape
    crow, ccol = rows//2, cols//2
    x = np.linspace(0, cols-1, cols)
    y = np.linspace(0, rows-1, rows)
    X, Y = np.meshgrid(x, y)
    dist = np.sqrt((X-ccol)**2 + (Y-crow)**2)
    mask = np.exp(-dist**2 / (2*sigma**2))
    return mask

3.4.2 高通滤波器

高通滤波器保留高频，抑制低频。用于锐化、边缘检测。但要注意——它也会放大噪声。

高通滤波器 = 1 - 低通滤波器。就这么简单。

3.4.3 带阻滤波器

带阻滤波器是频域去噪的杀手锏。它专门针对特定频率范围的噪声进行抑制。

我处理过一张医学X光图像，上面有规律的网格噪声。频谱图上对应位置有四个对称的亮点。我设计了一个高斯带阻滤波器：

def gaussian_bandstop(shape, center, radius, width):
    rows, cols = shape
    crow, ccol = rows//2, cols//2
    x = np.linspace(0, cols-1, cols)
    y = np.linspace(0, rows-1, rows)
    X, Y = np.meshgrid(x, y)
    # 计算到目标频率点的距离
    dist = np.sqrt((X-center[0]-ccol)**2 + (Y-center[1]-crow)**2)
    mask = 1 - np.exp(-((dist-radius)**2) / (2*width**2))
    return mask

效果立竿见影。网格噪声消失了，图像细节几乎没受影响。

3.5 小波去噪入门

傅里叶变换有个局限：它只能告诉你图像里有哪些频率成分，但不知道这些频率出现在哪里。小波变换解决了这个问题——它同时提供频率和位置信息。

小波去噪的基本流程：

1. 对图像进行小波分解，得到近似系数和细节系数
2. 对细节系数进行阈值处理（软阈值或硬阈值）
3. 重构图像

import pywt

def wavelet_denoise(img, wavelet='db4', level=3, threshold=0.1):
    # 小波分解
    coeffs = pywt.wavedec2(img, wavelet, level=level)
    # 对每一层细节系数进行阈值处理
    coeffs_thresh = list(coeffs)
    for i in range(1, len(coeffs)):
        coeffs_thresh[i] = tuple(
            pywt.threshold(detail, threshold, mode='soft')
            for detail in coeffs_thresh[i]
        )
    # 重构
    return pywt.waverec2(coeffs_thresh, wavelet)

3.6 实战对比：频域 vs 空域

我整理了一个对比表，方便你选择：

噪声类型	推荐方法	原因
高斯噪声	空域高斯滤波 / 频域低通	两者效果接近，空域更快
椒盐噪声	空域中值滤波	频域方法对脉冲噪声效果差
周期性噪声	频域带阻滤波	空域几乎无法处理
摩尔纹	频域带阻/陷波滤波	频谱上有明显亮点
纹理噪声	小波去噪	保留细节的同时去噪

3.7 本章小结

频域去噪不是万能的，但它是你工具箱里不可或缺的一把刀。我建议你：

• 先学会看频谱图，这是基本功
• 周期性噪声、摩尔纹——优先考虑频域方法
• 细节丰富的图像——试试小波去噪
• 别迷信理想滤波器，高斯过渡更实用

下一章我们聊聊时域去噪，也就是多帧融合。那是另一个有意思的话题。到时候见。