第5章 频率域滤波
一、频率域滤波基础（Frequency Domain Filtering Fundamentals）
1.1 频域与空域的对应关系
频率域中不同位置对应图像中不同特征：
| 频率位置 | 对应的图像特征 |
|---|---|
| 低频（K 空间中心） | 缓慢变化的灰度分量（整体亮度、平滑区域） |
| 高频（K 空间外围） | 急剧变化的灰度分量（边缘、噪声、细节纹理） |
在 K 空间中：
- 中心 = DC 分量（图像平均亮度）
- 靠近中心 = 低频（整体对比度和大结构）
- 远离中心/外围 = 高频（边缘和噪声）
- 频率域滤波器 = 空间域卷积核的傅里叶变换对 \(H(u,v) \Leftrightarrow h(x,y)\)
高斯滤波器的频域-空域对偶性：
低通滤波：空域高斯核宽 → 频域高斯核窄（只保留中心低频）
高通滤波：频域外围保留 → 空域提取边缘
1.2 频率域滤波基本方程
其中：
- \(F(u,v)\)：输入图像 \(f(x,y)\) 的 DFT
- \(H(u,v)\)：滤波器传递函数（transfer function）
- \(g(x,y)\)：输出图像（取实部，因自然图像为实数）
滤波器要求对称性：\(H(u,v) = H(-u, -v)\)（利用共轭对称性，保证滤波结果为实数）。
1.3 频率域滤波的标准步骤
对于 \(M \times N\) 的原图 \(f(x,y)\)：
(1) 预处理 — Open
- 零填充（Zero-padding）：将图像从 \(M \times N\) 扩展到 \(2M \times 2N\)（或 \(P \times Q\) 其中 \(P = 2M, Q = 2N\)）
- 频谱中心化：将填充后的图像乘以 \((-1)^{x+y}\)（等价于
fftshift），将 DC 分量移到中心
(2) 滤波 — Filter
- DFT：\(F(u,v) = \mathcal{F}\{f(x,y) \cdot (-1)^{x+y}\}\)
- 频域乘积：\(G(u,v) = H(u,v) \cdot F(u,v)\)
(3) 后处理 — Close
- IDFT：\(g_p(x,y) = \mathcal{F}^{-1}\{G(u,v)\}\)
- 去中心化：乘以 \((-1)^{x+y}\)（
ifftshift） - 裁剪（Crop）：从 \(2M \times 2N\) 裁剪回 \(M \times N\) 原尺寸
为什么要 Padding？ 解决 Wraparound Error（折叠误差）：
- DFT 假设图像周期延拓 → 不做 padding 时，卷积核会"穿过"图像边界从另一边回来
- 零填充在图像周围加一圈黑边 → 周期延拓后的图像之间有了"隔离带"，避免了边界干扰
1.4 空间域与频率域滤波的等价性
| 空间域滤波 | 频率域滤波 | |
|---|---|---|
| 操作 | 卷积 \(f * h\) | 乘积 \(F \cdot H\) |
| 核尺寸 | 小核（\(3 \times 3\)）直接做快 | 大核用 FFT 更快 |
| 边界处理 | 镜像/复制/补零 | 需 zero-padding 防折叠 |
| 物理直觉 | 直观（滑动窗口） | 抽象（频谱修改） |
总结：
- \(H(u,v) \Leftrightarrow h(x,y)\) — 频率域滤波器和空间域卷积核互为傅里叶变换对
- 频谱通常只看幅度谱（Magnitude），因为相位不易直观解读
- 基本方程：\(g(x,y) = \Re\{\mathcal{F}^{-1}[H(u,v) \cdot F(u,v)]\}\)
- 核心步骤：乘 \((-1)^{x+y}\)（中心化）→ Padding → DFT → 乘 \(H\) → IDFT → 裁剪
二、频率域低通滤波（Lowpass Filtering in Frequency Domain）
低通滤波器衰减高频分量、保留低频分量，主要效果是平滑/模糊（Smoothing）。
三种经典频率域低通滤波器：
2.1 理想低通滤波器（Ideal Lowpass Filter — ILPF）
传递函数为矩形截断：
其中 \(D(u,v) = \sqrt{(u - M/2)^2 + (v - N/2)^2}\) 为频率点到中心的距离，\(D_0\) 为截止频率（cutoff frequency）。
截止频率与功率的关系：不同 \(D_0\) 围住的图像功率不同：
| \(D_0\)（半径） | 围住功率比例 |
|---|---|
| 10 | 86.9% |
| 30 | 92.8% |
| 60 | 95.1% |
| 160 | 97.6% |
| 460 | 99.4% |
振铃效应（Ringing Effect）
理想低通滤波器在频率域的硬截断 → 空间域的 sinc 函数卷积核（无限振荡旁瓣）→ 图像边缘产生同心明暗光环。
截止频率越小（越窄的频域窗）→ 空间域 sinc 主瓣越宽 → 模糊越重 + 振铃越明显。
这是 Box → Sinc 傅里叶变换对的直接体现——也是理想滤波器不被用于医学诊断图像的原因。
2.2 巴特沃斯低通滤波器（Butterworth Lowpass Filter — BLPF）
其中 \(n\) 为阶数（order），控制过渡带的陡峭程度：
- \(n=1\)：过渡非常平缓，无振铃
- \(n=2\)（或 \(n=3\)）：几乎无可见振铃
- \(n\) 较大（如 \(n=20\)）：行为趋近理想滤波器，振铃明显
特点：在截止频率锐度和振铃抑制之间提供定量可控的平衡。
2.3 高斯低通滤波器（Gaussian Lowpass Filter — GLPF）
当 \(D(u,v) = D_0\) 时，\(H = e^{-1/2} \approx 0.607\)。
高斯的性质：
- 高斯函数的导数仍是高斯函数
- 高斯函数的傅里叶变换仍是高斯函数
- 高斯函数的逆傅里叶变换仍是高斯函数
高斯滤波不会产生振铃效应，因为高斯函数无旁瓣（sinc 有振荡旁瓣，高斯只有光滑钟形曲线）。
2.4 三种低通滤波器对比
| 特性 | 理想（ILPF） | 巴特沃斯（BLPF） | 高斯（GLPF） |
|---|---|---|---|
| 过渡带 | 阶梯（硬截断） | 可调（\(n\) 控制） | 平滑过渡 |
| 振铃 | 严重 | \(n\) 大时有，\(n\) 小时无 | 完全没有 |
| 平滑效果 | 模糊 + 振铃 | 模糊（高阶边缘清晰） | 纯模糊 |
| 截止频率处响应 | 1 → 0（跳变） | 0.5（与 \(n\) 无关，在 \(D_0\) 处恒为 0.5） | 0.607 |
| 医学应用 | 不推荐 | 需控制 \(n\) | 首选 |
高斯 vs 巴特沃斯选择建议
- 需要严格控制截止频率过渡（如频率域精确分析）→ 选用巴特沃斯
- 不允许任何振铃伪影（如医学诊断）→ 必须用高斯
2.5 低通滤波的应用实例
- 字符修复：低通滤波可弥合断裂的字符笔画
- 血管增强：减少大血管的锐度，使细小血管可视化
- 皮肤纹理平滑：减少细纹和小瑕疵
- MRI 去噪：去除脑白质的高频噪声
三、频率域高通滤波（Highpass Filtering in Frequency Domain）
高通滤波器 = 衰减低频、保留高频。
效果：图像锐化（Sharpening）。
3.1 高通滤波器的通用构建方法
三种经典高通滤波器可由对应低通滤波器直接推导：
| 类型 | 传递函数 |
|---|---|
| 理想高通（IHPF） | \(H = \begin{cases} 0, & D \leq D_0 \\ 1, & D > D_0 \end{cases}\) |
| 巴特沃斯高通（BHPF） | \(H = \frac{1}{1 + [D_0 / D]^{2n}}\) |
| 高斯高通（GHPF） | \(H = 1 - e^{-D^2/(2D_0^2)}\) |
高通滤波的重要特征：
- DC 项被设为零 → 滤波结果均值 = 0 → 出现正负值
- 直接显示时负值被裁剪为 0（黑色）→ 只能看到正值的亮边缘
- 完整显示时（加常数）包含灰背景（正为亮、负为暗）→ 可看清完整边缘结构
高通滤波的应用：BHPF（4阶，\(D_0=50\)）→ 阈值化 → 可提取图像中主要结构的边缘轮廓。
3.2 频率域拉普拉斯滤波器（Laplacian in Frequency Domain）
从空间域二阶微分推导到频率域：
空间域 Laplacian：
利用 DFT 的微分性质（\(\frac{\partial^n}{\partial x^n} \Leftrightarrow (j2\pi u)^n\)）：
因此频率域 Laplacian 滤波器为：
Laplacian 增强图像：
在频率域实现：
其中 \(D^2(u,v) = (u - M/2)^2 + (v - N/2)^2\)。
频率域 vs 空间域 Laplacian 增强对比：两者数学完全等价（卷积定理），结果一致。
3.3 反锐化掩膜与高频增强滤波（Unsharp Masking / High-Frequency-Emphasis）
标准反锐化掩膜：
高频增强滤波（High-Frequency-Emphasis）：不仅增强高频，还为低频添加一个偏移量以防止图像发暗： $$ H_{\text{HFE}}(u,v) = a + b \cdot H_{\text{HP}}(u,v) $$
其中 \(a \geq 0\) 控制低频偏移，\(b > 0\) 控制高频增益。
完整管线：
典型应用流程：原图 → GHPF → 高频增强滤波 → 直方图均衡化 → 最终增强图像。
四、选择性滤波（Selective Filtering）
4.1 带阻与带通滤波器（Band-Reject and Band-Pass Filters）
- 带阻滤波器（Band-Reject）：阻止特定频率范围，其余通过
- 带通滤波器（Band-Pass）：只让特定频率范围通过，其余阻止
构建方法：
| 目标 | 构建方式 |
|---|---|
| 理想带阻 | 低通（\(D_0\)） + 高通（\(D_1\)），\(D_0 < D_1\) → 中间被阻 |
| 高斯带阻 | 高斯低通 + 高斯高通（中心平移）→ 平滑带阻 |
| 带通 | \(H_{\text{BP}} = 1 - H_{\text{BR}}\) |
4.2 陷波滤波器（Notch Filter）
陷波滤波器是一种特殊的带阻滤波器，只阻止特定离散频率点（及其关于原点的对称点）。
构建方法：陷波带阻滤波器由多个高通滤波器（经过中心平移）的乘积组成：
其中 \(H_k\) 是以噪声点 \((u_k, v_k)\) 为中心的巴特沃斯/高斯高通滤波器，\(H_{-k}\) 是以对称点 \((-u_k, -v_k)\) 为中心的对应高通。
陷波带通：\(H_{\text{NP}} = 1 - H_{\text{NR}}\)
应用案例：
- 摩尔纹消除：对采样图像中的莫尔条纹（高频周期性图案）→ 找到频域中的对称尖峰 → 巴特沃斯陷波带阻滤波 → 还原清晰图像
- 土星环干扰消除：周期性垂直干扰 → 垂直陷波滤波器 → 在频域精确定位并阻断
- MRI 周期性噪声去除：斜向条纹噪声 → 频域幅度谱中定位对称亮斑 → 陷波滤波
五、本章总结（Summary）
频率域滤波
| 滤波器类别 | 类型 | 核心特征 |
|---|---|---|
| 低通 | Ideal / Butterworth / Gaussian | ILPF 有振铃；BLPF 可调节；GLPF 无振铃 |
| 高通 | Ideal / Butterworth / Gaussian | \(H_{\text{HP}} = 1 - H_{\text{LP}}\)，DC=0 |
| Laplacian | 频率域 \(H = -4\pi^2 D^2\) | 频率域与空间域等价 |
| 高频增强 | \(H = a + b \cdot H_{\text{HP}}\) | 保留低频 + 增强高频 |
| 带阻/带通 | 低通+高通组合 | 选择频率范围 |
| 陷波 | 高通乘积 | 精确定点消除周期性噪声 |
历年卷解答
一、哪些是空间滤波器（2022 选择）
知识点定位：空间滤波 vs 频率域滤波
题目：哪些是空间滤波器？（Notch、均值滤波器、中值滤波器、ALNRF）
答案：均值滤波器、中值滤波器是空间滤波器；Notch（陷波滤波器）不是——它在频率域操作，通过阻断特定频率来滤波。
关键区分：空间滤波器通过卷积核在图像上滑动做邻域加权，频率滤波器通过 FFT 在频域乘积实现。
二、周期噪声用陷波滤波（2020 判断）
知识点定位：频率域滤波 — 陷波滤波器
答案：正确。
解释：周期噪声在频域中表现为孤立的频率尖峰（亮斑）。陷波滤波器精确地阻止这些特定频率，是消除周期性噪声的最优选择。
三、Laplacian 对噪声更敏感（2020 / 2022 判断）
知识点定位：高通滤波器 — 一阶 vs 二阶微分
答案：正确。 相比 Sobel 等一阶算子，Laplacian 等二阶导数算子对噪声更加敏感。
原因：
- 二阶微分检测灰度的"变化加速度"——噪声是高频的随机突变，Laplacian 对其响应极强
- 一阶微分（Sobel）带有内置平滑（中间行权重加倍），对噪声相对迟钝
四、获取高通滤波的图像是否可使用原图除以低通滤波图像（2022 判断）
知识点定位：频率域高通滤波 — 高通与低通的关系
答案：错误。 高通滤波 ≠ 除法操作。正确的关系是：高通 = 原图 − 低通（\(f_{\text{HP}} = f - f_{\text{LP}}\)），即 \(H_{\text{HP}}(u,v) = 1 - H_{\text{LP}}(u,v)\)。
原理：频率域的减法和空间域的减法完全等价（DFT 是线性变换）。除法 \(F/H_{\text{LP}}\) 对应的是逆滤波（Inverse Filtering）——这是图像复原的范畴，会放大噪声。
五、处理后有模糊+振铃→可能的滤波器（2021 选择）
知识点定位：频率域低通滤波 — 振铃效应
分析：处理后图像既模糊又有振铃 → 使用的是理想低通滤波器（或高阶巴特沃斯）。仅模糊但没有振铃 → 高斯低通滤波器。只有理想滤波器（和高阶巴特沃斯）才会产生明显的振铃效应——这是因为频率域的硬截断对应空间域的 sinc 旁瓣卷积。