OpenCV频率域滤波：理想、高斯、巴特沃斯低通/高通与DFT避坑

简介：面向图像处理初学者与OpenCV实践者的频率域低通滤波练习包，聚焦高斯、理想与巴特沃斯三种滤波器的实现与对比。内容围绕离散傅里叶变换、频域滤波核构造、逆变换及结果归一化展开，可用于理解高频噪声抑制、图像平滑与边缘保持之间的差异，适合课程实验或自学练手。压缩包共8个文件，约86KB，包含cpp源码、dsp/dsw等工程配置及bmp测试图像，工程可直接载入VC环境复现实验。已有2155人学习，读者可据此对照三种滤波器的频域响应与输出效果，掌握在OpenCV中自定义滤波核、完成DFT到IDFT完整链路的思路，并借助测试图观察不同截止频率下的平滑表现。

1. 频率域滤波在 OpenCV 里到底解决什么问题：从一张周期条纹图说起

OpenCV 里的频率域滤波，说白了就是把图像从像素空间搬到频域，在频谱上按距离衰减或保留分量，再搬回来。高斯、理想、巴特沃斯三种低通/高通滤波器，是最常被拿来对比的一组。某图像处理 Demo 里有一张带周期条纹的纹理图，空间域均值滤波一上去，条纹淡了，边缘也糊了；换成频域低通或陷波，只切掉那几个亮点，纹理边缘还能保住。这就是频率域滤波适合的场景：周期噪声、规则纹理、需要按频率而不是按邻域做取舍的图像。读者如果是做缺陷检测、纹理分析、扫描件去网纹，或者只想把 OpenCV 的 dft 用明白，下面这套流程可以直接跑。参数不会一次就准，D0 和阶数得边看频谱边调。

2. 从空间到频域：DFT 填充、频谱中心化与三种滤波器传递函数

频率域滤波的骨架不复杂：图像做二维离散傅里叶变换，得到复数频谱；在频谱上乘一个滤波器 H；再做逆变换回到空域。真正让结果翻车的，往往不是公式，而是填充尺寸、中心化原点和 H 的构造顺序。OpenCV 的cv2.dft输出的是双通道复数，未中心化；很多人直接拿它和以左上角为原点的距离图相乘，最后图像错位还找不到原因。下面先把三个前置动作拆清楚，再给三种滤波器的可执行构造代码。

2.1 为什么先做 getOptimalDFTSize 填充：边界环绕与频谱泄漏

cv2.dft对尺寸不是任意值都高效，常见做法是先算cv2.getOptimalDFTSize(rows)和cv2.getOptimalDFTSize(cols)，把图像补到这两个尺寸。填充不只是为了快，更重要的是抑制边界环绕。二维 DFT 默认把图像当成周期信号，左边缘和右边缘会被接在一起；如果原图边缘亮度差很大，频谱里会出现本不属于图像内容的十字亮线，低通滤波后边缘出现一圈伪影。用BORDER_REFLECT做镜像填充，能让边界过渡更自然，逆变换后裁掉填充区即可。

填充宽度和高度要分别记录。裁剪时用原始rows和cols，不要用填充后的尺寸。有人把填充后的图直接保存，看起来没问题，但后续做尺寸对齐或金字塔时全乱。填充还有一个小代价：D0 的单位是填充后图像的像素，不是原图像素。原图短边 300，填充后短边可能到 320，D0 设 20 和设 18 的实际截止圈比例不同。调参时先看中心化频谱上的白色亮圈，再决定 D0，别只盯数字。

2.2 fftshift 之后距离图怎么建：D(u,v) 的原点必须和频谱中心重合

cv2.dft出来的频谱，低频在左上角，高频分散在四角。为了直观地做圆形低通，一般用np.fft.fftshift把零频搬到中心。搬完之后，距离图的原点就必须在(rows//2, cols//2)，否则你乘上去的 H 是一个偏心圆。常见翻车现象是：滤波后图像整体变暗、边缘出现单边亮带，或者高频图只剩一个角有内容。原因不是滤波器写错，而是 H 的中心和频谱中心差了几个像素。

我一般单独写一个distance_grid(rows, cols)，用行列索引减中心，得到每个频点到中心的欧氏距离。注意rows和cols的顺序：OpenCV 图像是(height, width)，频谱也是(rows, cols)，别把cols传给rows。距离图用float32就够，后面和双通道复数相乘时保持类型一致。中心化频谱只用于显示和构造 H；逆变换前要用np.fft.ifftshift把零频搬回左上角，再交给cv2.idft。这一对 shift 必须成对出现，少一步就是错位。

2.3 理想、高斯、巴特沃斯低通的传递函数与选型对比

三种低通的差别在截止边缘的陡峭程度。理想低通是硬阈值：距离小于等于 D0 全保留，大于 D0 全砍掉。它的频域边缘是阶跃，空域对应 sinc 函数，所以振铃最明显。高斯低通的传递函数是exp(-D^2/(2*D0^2))，没有硬边缘，过渡平滑，振铃最小，但截止频率附近衰减慢，去周期噪声时可能不够干净。巴特沃斯低通是折中：1/(1+(D/D0)^(2n))，阶数 n 越大越接近理想，n 越小越接近高斯。实际调参时，n 取 2 到 4 最常见，再大就开始出现可见振铃。

下面这段代码把三种低通和高通都封装成同一套接口。make_filter返回低通 H，make_highpass用1-H得到高通。D0 的单位是像素，n 只对巴特沃斯有效。代码里没有做任何归一化，H 的值域保持在[0,1]，后面直接和频谱相乘。

import cv2 import numpy as np def distance_grid(rows, cols): # 以频谱中心为原点，构造每个频点到中心的距离 crow, ccol = rows // 2, cols // 2 u = np.arange(rows, dtype=np.float32)[:, None] - crow v = np.arange(cols, dtype=np.float32)[None, :] - ccol return np.sqrt(u * u + v * v) def make_filter(shape, kind="gaussian", d0=30.0, n=2): # shape 是 (rows, cols)，必须和 fftshift 后的频谱尺寸一致 rows, cols = shape d = distance_grid(rows, cols) if kind == "ideal": h = (d <= d0).astype(np.float32) elif kind == "gaussian": h = np.exp(-(d * d) / (2.0 * d0 * d0)).astype(np.float32) elif kind == "butterworth": h = 1.0 / (1.0 + (d / d0) ** (2 * n)) h = h.astype(np.float32) else: raise ValueError("kind must be ideal/gaussian/butterworth") return h def make_highpass(shape, kind="gaussian", d0=30.0, n=2): # 高通 = 1 - 低通，注意保持 float32 return (1.0 - make_filter(shape, kind, d0, n)).astype(np.float32)

逻辑说明：distance_grid先把行列索引转成以中心为原点的坐标，再算欧氏距离；make_filter根据kind选择理想、高斯或巴特沃斯公式，返回和频谱同尺寸的二维 H；make_highpass用补集得到高通。参数说明：d0是截止频率半径，单位是填充后图像的像素，常用范围是短边的 1% 到 10%，去周期噪声时先看频谱亮点再定；n是巴特沃斯阶数，取 2 到 4 比较稳，n 越大边缘越陡、振铃越明显；shape必须传dft_shift.shape[:2]，不要传原图尺寸。

选型上，我一般先用高斯低通看整体趋势，因为它不容易翻车；如果周期噪声去不干净，再换巴特沃斯 n=2 或 n=3；理想低通只在需要做对比实验或做二值化频谱掩膜时用，直接拿它做图像恢复，边缘亮圈很难避免。高通侧同理，高斯高通适合做边缘增强的预处理，理想高通适合做频谱分割的可视化，巴特沃斯高通在两者之间。

提示：D0 不要设成 0 或负数；巴特沃斯公式里d/d0会直接报错或产生 inf。D0 很小时，理想低通只剩中心几个点，逆变换后整张图会变成一片灰。

3. 用 OpenCV 写出理想、高斯、巴特沃斯滤波：最小可复现代码与参数表

这一章把流程串成可运行函数。输入一张灰度图，输出滤波后的 uint8 图像；内部完成归一化、填充、cv2.dft、fftshift、乘 H、ifftshift、cv2.idft、裁剪和截断。低通和高通共用一套代码，只改highpass参数。彩色图先转灰度，后面单独说彩色通道的处理边界。参数表放在代码后面，方便直接抄。

3.1 从灰度图到复数频谱：OpenCV dft 的最小调用链

cv2.dft的输入要求是单通道浮点图。常见做法是先把图像转成float32，如果像素值在 0 到 255 之间，就除以 255 落到[0,1]。这一步不是必须，但后面逆变换、裁剪、截断都在[0,1]域里做，参数更直观。然后调用cv2.dft(gray, flags=cv2.DFT_COMPLEX_OUTPUT)，得到(rows, cols, 2)的双通道数组，通道 0 是实部，通道 1 是虚部。再用np.fft.fftshift把零频搬到中心，得到dft_shift。

这里有一个容易忽略的点：填充后的尺寸才是dft_shift的尺寸。make_filter的shape必须取dft_shift.shape[:2]，不能取原图gray.shape。如果原图 300x400，填充后 320x400，滤波器却按 300x400 构造，相乘时广播会报错，或者更隐蔽地按错误中心对齐。频谱显示也用dft_shift，用cv2.magnitude取幅值，再log1p压缩动态范围，最后归一化到 0 到 255。看频谱时重点看中心亮点和四周的周期亮点，D0 就是围绕中心画圆。

3.2 滤波、逆变换与裁剪：DFT_SCALE、clip 和填充宽高怎么处理

滤波就是dft_shift * h[..., None]。h是二维，频谱是双通道，所以给h补一个通道维，让实部和虚部乘同一个系数。乘完之后先np.fft.ifftshift把零频搬回左上角，再cv2.idft。逆变换的 flags 我一般写cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT：DFT_SCALE让逆变换自带 1/(rows*cols) 的缩放，DFT_REAL_OUTPUT直接输出单通道实数，省得自己取实部。如果不用DFT_SCALE，就得手动除以像素总数，否则结果整体亮很多倍。

逆变换后得到的是填充尺寸的图，用原始rows和cols裁掉右下角的填充区。裁剪完做np.clip(out, 0, 1)，再乘 255 转 uint8。不要先cv2.normalize到 0 到 255 再乘 255，那是重复缩放，结果会全白。也不要对已经 clip 的图再做一次全局归一化，否则低通后本来偏暗的区域会被拉亮，和高通结果没法比。填充方式用BORDER_REFLECT，比默认常量填充更少引入边界亮线；如果原图边缘本身很干净，BORDER_REPLICATE也能用。

3.3 低通与高通共用一套代码：H 与 1-H 的切换及参数表

下面代码把前面的make_filter接进来。freq_filter里先判断通道数，彩色图转灰度；再归一化、填充、dft、shift、构造 H、乘、ifftshift、idft、裁剪、截断。highpass=True时把 H 换成1-H。调用部分用短边 3% 估一个 D0，分别跑三种滤波器，保存低通、高通和中心化频谱。频谱保存那一段没有填充，只用于看中心位置，不影响滤波结果。

def freq_filter(image, kind="gaussian", d0=30.0, n=2, highpass=False, pad=True): # 彩色图先转灰度；灰度图直接进入浮点流程 if image.ndim == 3: gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray = image gray = gray.astype(np.float32) if gray.max() > 1.0: gray /= 255.0 rows, cols = gray.shape if pad: opt_rows = cv2.getOptimalDFTSize(rows) opt_cols = cv2.getOptimalDFTSize(cols) gray = cv2.copyMakeBorder( gray, 0, opt_rows - rows, 0, opt_cols - cols, cv2.BORDER_REFLECT ) else: opt_rows, opt_cols = rows, cols dft = cv2.dft(gray, flags=cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) h = make_filter(dft_shift.shape[:2], kind=kind, d0=d0, n=n) if highpass: h = 1.0 - h filtered_shift = dft_shift * h[..., None] idft_shift = np.fft.ifftshift(filtered_shift) out = cv2.idft(idft_shift, flags=cv2.DFT_SCALE | cv2.DFT_REAL_OUTPUT) out = out[:rows, :cols] out = np.clip(out, 0.0, 1.0) return (out * 255.0).astype(np.uint8) def spectrum_u8(dft_shift): # 用于显示中心化频谱，不参与滤波 mag = cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1]) mag = np.log1p(mag) mag = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX) return mag.astype(np.uint8) img = cv2.imread("texture.png", cv2.IMREAD_GRAYSCALE) h, w = img.shape d0 = max(8, int(min(h, w) * 0.03)) for kind in ("ideal", "gaussian", "butterworth"): low = freq_filter(img, kind=kind, d0=d0, n=2, highpass=False) high = freq_filter(img, kind=kind, d0=d0, n=2, highpass=True) cv2.imwrite(f"{kind}_low.png", low) cv2.imwrite(f"{kind}_high.png", high) # 单独存一张中心化频谱，方便看截止圈位置 dft_raw = cv2.dft(img.astype(np.float32) / 255.0, flags=cv2.DFT_COMPLEX_OUTPUT) cv2.imwrite("spectrum.png", spectrum_u8(np.fft.fftshift(dft_raw)))

逻辑说明：freq_filter把图像统一到[0,1]浮点，按最优尺寸镜像填充，做正变换和中心化；make_filter生成低通 H，highpass为真时用1-H变高通；乘完把零频搬回左上角，用带DFT_SCALE的逆变换回到空域；最后按原始宽高裁剪、截断、转 uint8。spectrum_u8只做显示，log1p是为了压住中心低频的超大幅值，否则四周细节全黑。

参数说明：kind取ideal、gaussian、butterworth；d0是截止半径，单位是填充后像素，示例用短边 3%，去周期噪声时可以看频谱亮点到中心的距离再微调；n只对巴特沃斯生效，建议从 2 开始；highpass控制低通/高通；pad控制是否填充，做对比实验时可以关掉，但边缘伪影会更多。

彩色图不要直接三通道分别滤波后合并。三个通道的相位和能量变化不一致，合并后容易出现色偏，尤其是低通把某个通道的高频砍多了，边缘会出现彩色描边。常见做法是转 HSV 只处理 V 通道，或者转 Lab 只处理 L 通道，再转回 BGR。如果确实要在 BGR 上做，三个通道必须用同一个 H，并且保留原始相位，不要对每个通道单独调 D0。

4. 频率域滤波的避坑排查：振铃、频谱泄漏、填充与归一化翻车记录

频率域滤波的代码通常不长，但失败现象很集中：全黑、全白、边缘亮圈、图像错位、周期噪声去不干净、彩色图偏色。下面五条是血泪经验里出现频率最高的，每条按现象、原因、解决写。排查时先看中心化频谱，再看距离图，最后查归一化，顺序不要反。

4.1 五条翻车记录：全黑、亮圈、错位、去不净与彩色偏色

第一条：输出全黑或全白。现象是滤波后图像要么一片黑，要么一片白，频谱看起来正常。原因多半是缩放重复：先把图像除以 255 落到[0,1]，逆变换用了DFT_SCALE，最后又做了一次cv2.normalize到 0 到 255，再乘 255；或者反过来，没用DFT_SCALE，也没手动除rows*cols，结果整体放大几万倍，clip 后全白。解决是统一量纲：要么全程[0,1]浮点，逆变换带DFT_SCALE，最后只乘一次 255；要么全程 0 到 255 浮点，逆变换后手动除像素总数。不要两种混用。

第二条：边缘出现亮圈或振铃。现象是物体边缘附近出现一圈亮暗相间的条纹，理想低通最明显，D0 越小越严重。原因是理想低通的频域传递函数是硬阶跃，空域对应 sinc 函数，旁瓣在边缘处振铃。解决分三步：优先换高斯低通，或者巴特沃斯 n=2 到 3；如果必须用理想低通，把 D0 稍微放大，让截止圈避开主要能量；填充方式用镜像反射，减少边界突变。振铃不是代码 bug，是硬截止的数学后果，换滤波器比调参数更有效。

第三条：滤波后图像错位或偏移。现象是低通后图像整体往一个方向偏，或者高通后边缘只出现在一侧。原因通常是fftshift和ifftshift没有配对，或者距离图原点还在左上角。cv2.dft输出未中心化，你做了fftshift后乘 H，逆变换前必须ifftshift；如果 H 是用左上角原点构造的，乘上去就是一个偏心圆。解决是检查distance_grid的中心是不是rows//2, cols//2，检查ifftshift是否在idft之前，检查shape是不是dft_shift.shape[:2]。

第四条：周期噪声去不干净。现象是低通后条纹变淡但没有消失，或者条纹消失了，纹理也被抹平。原因有三种：D0 选得比噪声亮点到中心的距离小，噪声还在通带内；D0 选得太大，把纹理高频一起砍了；原图边界突变导致频谱泄漏，噪声亮点被拉成十字。解决是先保存中心化频谱，找到噪声对应的亮点，D0 设成亮点到中心距离的 1.1 到 1.3 倍；如果亮点不在同心圆上，用陷波而不是低通；边界泄漏明显时加 Hann 窗或镜像填充。不要只凭空域结果反复试 D0，频谱图是更直接的黑匣子。

第五条：彩色图三通道分别滤波后偏色。现象是低通后边缘出现彩色描边，或者整体色调变冷变暖。原因是三个通道分别滤波，每个通道的相位变化和能量衰减不同，合并后不再满足原来的通道关系。解决是转 HSV 只处理 V，或转 Lab 只处理 L，保持色度通道不变；如果必须在 BGR 上做，三个通道共用同一个 H，并且不要对某个通道单独改 D0。彩色图的高频信息很多在亮度通道，只处理亮度通常比三通道分别处理更稳。

4.2 排查顺序：先看中心化频谱，再查距离图和归一化

遇到结果不对，我一般按固定顺序排查，避免在代码里乱改。第一步存中心化频谱，看零频是不是在中心，看目标噪声亮点在哪，看有没有异常的十字亮线。第二步把 H 单独显示出来，检查白色通带是不是以中心为圆心的圆，理想低通的边缘是不是太硬，巴特沃斯的 n 是不是过大。第三步检查dft_shift的尺寸和 H 的尺寸是否一致，填充后的rows和cols有没有在裁剪时用错。第四步检查归一化链：输入是不是[0,1]，逆变换有没有DFT_SCALE，最后有没有重复乘 255。第五步才看空域结果，对比低通和高通的互补关系。

这个顺序能挡住大部分“看起来像算法错、实际是数据流错”的问题。频谱图是频域滤波的黑匣子，H 是第二个黑匣子，两个都看一眼，比盲调 D0 快得多。还有一个小习惯：每次保存结果时把kind、d0、n、highpass写进文件名或日志，后面复现时不用猜。频率域滤波的参数不多，但组合起来很容易记混，尤其是巴特沃斯的 n 和 D0 同时改的时候。

5. 把频域滤波接进批处理：用频谱能量比验收，别只凭肉眼

批处理时最怕每张图固定一个 D0。我一般把 D0 设成短边比例，再用高频能量比做粗验收。下面这个函数不依赖滤波结果，直接算图像高频能量占总能量的比例，滤波前后各跑一次，低通应该下降，高通应该上升。radius_ratio取 0.1 到 0.2 比较稳，太小会把噪声当高频，太大把纹理当低频。

def high_freq_ratio(gray, radius_ratio=0.15): # 用 FFT 幅值估算高频能量占比，仅做批处理粗筛 f = np.fft.fftshift(np.fft.fft2(gray.astype(np.float32))) mag = np.abs(f) h, w = gray.shape cy, cx = h // 2, w // 2 yy, xx = np.ogrid[:h, :w] d = np.sqrt((yy - cy) ** 2 + (xx - cx) ** 2) mask = d > radius_ratio * min(h, w) return float(mag[mask].sum() / (mag.sum() + 1e-8))

逻辑说明：先做二维 FFT 并中心化，取幅值；以中心为原点构造距离掩膜，把大于radius_ratio * min(h,w)的部分视为高频；返回高频幅值总和除以总幅值。参数说明：radius_ratio控制高频边界，0.15 表示短边 15% 以外的频段；这个指标只用于批处理排序和异常筛查，不替代肉眼验收。把滤波前后的比值记进日志，下降幅度突然变小的图，多半是 D0 偏小或噪声不在通带外。

我现在的习惯是先把中心化频谱和截止圈画在一起，再决定 D0；不看频谱直接调参，翻车概率太高。希望帮到你。

本文还有配套的精品资源，点击获取