1. 这篇笔记要解决的问题

写这篇笔记前，我先把前面几篇的思路捋一捋：我们已经搞定了离散傅里叶变换的原理、快速傅里叶变换的用法、频率谱的解读（低频中间、高频外围、亮度代表能量），以及频域滤波的基本流程——把图像从空间域变到频率域，乘以一个滤波器，再变回去。这个系列到了第 5 篇，核心问题就一个：滤波器本身长什么样？

也就是说，在 H(u, v) 这一步上，我们到底有哪些选择。不同滤波器带来的效果差异非常大，有的平滑得像磨皮，有的锐利得像拉满对比度，有的会把图像弄出一圈一圈的水波纹，有的却干净利落。这篇笔记想解决的就是：把常见的频域滤波器全部过一遍，讲清楚每个的原理、数学表达式、参数怎么调、适合用在什么地方，以及哪些坑是你写代码时一定会踩的。

适合看这篇笔记的人有两类。一类是正在学数字图像处理课程的学生，课本上对这部分讲得比较零散，公式堆在那但不知道怎么落到代码里；另一类是工作中真正要做图像去噪、增强、纹理分析的开发者，需要在传统方法里挑一个能用的方案。这篇笔记既照顾理论推导，也把完整的 Python 代码贴出来，大家可以直接抄作业。

我的目标只有一个：看完这篇，你能对着任意一张图像，快速决定"该用哪个滤波器、参数设多少、代码怎么写"，而不是翻着书发愣。

2. 频域滤波的框架回顾：你还缺哪块拼图

2.1 频域滤波的本质：乘法就是卷积

先花半分钟回顾一下频域滤波的核心公式。空间域的卷积对应频率域的乘法，这是卷积定理告诉我们的：

g(x, y) = IFFT[ F(u, v) × H(u, v) ]

其中 F(u, v) 是图像经过傅里叶变换后的频域表示，H(u, v) 就是我们设计的滤波器传递函数，g 是滤波结果。整件事的本质就一句话：你想保留哪些频率、滤掉哪些频率，就把对应的频点乘以 1 或乘以 0（或者中间值）。

但光知道这个框架是不够的。实际动手时你会发现，真正的技术含量完全在 H(u, v) 的设计上。公式写起来都简单，参数选不好，结果天差地别。这也是为什么这个系列需要单独用一整篇笔记来讲滤波器本身。

以我做图像处理的经验为例，很多人一开始以为频域滤波就是"把高频砍掉就模糊了，把低频砍掉就锐化了"。这个理解大方向没错，但真的上手后，要么图像出现诡异的振铃，要么整张图变暗，要么边缘出现条状伪影。这些现象大多不是流程写错了，而是滤波器选型或者参数设置的问题。

2.2 一张图说清滤波器分类

常见的频域滤波器，按功能可以分成四个基本类型：低通、高通、带通、带阻。每个类型又有多种实现形式，常见的就是理想型、巴特沃斯型、高斯型这三种。

• 低通：保留低频，抑制高频，用于平滑、去噪
• 高通：保留高频，抑制低频，用于锐化、边缘提取
• 带通：保留某个频带内的成分，用于提取特定尺度纹理
• 带阻：抑制某个频带内的成分，用于去除周期性噪声

而在每种类型内部，区别主要在于"过渡带"的处理方式。理想型在截止频率处直接一刀切，巴特沃斯型有一个平滑但可调的过渡带，高斯型则是完全平滑没有振铃。这三种之间的细微差别，就是我在实际工作中最看重的部分。

3. 理想滤波器：理论上的标准答案，实践中的踩坑之王

3.1 理想低通与理想高通的数学定义

理想低通滤波器（ILPF）的传递函数是：

H(u, v) = 1, 如果 D(u, v) <= D0 H(u, v) = 0, 如果 D(u, v) > D0

其中 D(u, v) 是频率点 (u, v) 到频率中心（也就是零频）的欧几里得距离，D0 是截止半径。理想高通（IHPF）刚好反过来：

H(u, v) = 0, 如果 D(u, v) <= D0 H(u, v) = 1, 如果 D(u, v) > D0

这组定义好理解，也好看，但它是一个典型的"数学上完美、工程上翻车"的方案。原因在于，理想的频率响应意味着时域（空间域）的脉冲响应是无限长的 sinc 函数，而对我们这种有限尺寸的图像，截断必然产生振荡，这就是振铃效应（ringing）的根源。

我最早学这块的时候，第一次写出理想低通滤波的代码，兴冲冲把一张人像图拿去跑，结果出来的图像边缘一圈一圈的水波纹，当时还以为是自己代码写错了。查了半天才发现，这就是理想滤波器的天性，不是 bug，是 feature 里带的问题。

3.2 为什么理想滤波器几乎不会在实际中使用

用吉布斯现象最容易解释这个问题。理想低通在截止频率处从 1 直接跳到 0，相当于在频域乘了一个矩形窗，对应在空间域就是与一个无限长的 sinc 核做卷积。sinc 函数的两侧有正负振荡的旁瓣，卷积结果在图像边缘和细节附近就会出现"过冲"和"振铃"。

凡是说明书里写着"可获得最锐利的截止特性"这类话的滤波器，你都要警惕。实际图像处理任务中，几乎没有场景能容忍振铃伪影。医学影像里出现这种伪影会被怀疑是病变，工业视觉里这直接导致误判。所以我的建议很明确：理想滤波器只作为理论教学的标尺，不做实际选型。

如果你非要用理想型做实验，唯一需要注意的实操点就是 D0 的选择。这个值一定要配合频谱图的能量分布来看，先画出 log 频谱，看看能量集中区域大概多大，再定 D0，不要拍脑袋给一个数。即便如此，结果大概率还是会有振铃。

4. 巴特沃斯滤波器：平滑过渡的实用主义者

4.1 巴特沃斯低通的公式与阶数含义

巴特沃斯低通滤波器（BLPF）的传递函数为：

H(u, v) = 1 / (1 + [D(u, v) / D0]^(2n))

这里 n 是滤波器的阶数（正整数），D0 是截止频率。注意，在 D = D0 这个点上，无论 n 取多少，分母都是 1+1=2，所以 H = 0.5，也就是说巴特沃斯滤波器的截止频率定义在增益衰减 3dB 的位置，这和理想滤波器的定义方式完全不同，看曲线的同学千万别搞混。

阶数 n 控制了过渡带的陡峭程度。n 越大，过渡带越窄，频率响应越接近理想滤波器；n 越小，过渡带越宽，振铃越弱，但过滤效果也没那么干净。n=1 时基本没有振铃，n=2 时轻微振铃但可接受，n>=3 时振铃逐渐明显。这是一个典型的敏感度-平滑度博弈。

4.2 从低通到高通：只需要把比值倒过来

巴特沃斯高通滤波器（BHPF）的公式是：

H(u, v) = 1 / (1 + [D0 / D(u, v)]^(2n))

其实就是把 D 和 D0 的比值倒过来。这个变换非常优雅，完全不需要重新设计滤波器。当 D 远大于 D0 时，H 趋近于 1，高频通过；当 D 趋近于 0 时，H 趋近于 0，低频被抑制。

我在做高通滤波时个人的默认选择就是巴特沃斯 n=2，兼顾平滑和保留细节。相比于后面要讲的高斯高通，巴特沃斯高通在同样 D0 下对中间频段的保留更"慷慨"一点，更适合需要同时保留部分低频信息的场景。当然，这只是经验值，具体还要看你的图。

4.3 巴特沃斯滤波器的实战参数建议

直接说几个我实测过的参数范围：

• D0 在频率谱归一化半径的 0.1~0.3 之间，适合做平滑去噪
• n=1 适合对图像质量要求高、不能容忍任何伪影的场景
• n=2 是通用默认值，多数情况下效果和效率均衡
• n>=4 就没什么必要了，振铃会逐步回归，你还不如用理想滤波器省事

有一点必须提醒：随着 n 增大，巴特沃斯滤波器越来越接近理想滤波器，但永远达不到理想那种陡峭，所以振铃也只是逼近，通常不会像理想型那样夸张。这个特性让它成为很多教科书里"折中方案"的首选推荐。

5. 高斯滤波器：实测中最稳的选择

5.1 高斯低通与高通：为什么没有振铃

高斯低通滤波器（GLPF）的传递函数是：

H(u, v) = exp(-D²(u, v) / (2 * D0²))

高斯高通滤波器（GHPF）则是：

H(u, v) = 1 - exp(-D²(u, v) / (2 * D0²))

高斯函数有一个绝妙的自相似属性：它的傅里叶变换仍然是高斯函数。这意味着频域的高斯滤波，对应空间域的卷积核也是高斯形状，而高斯核是一个非负、单峰的平滑核，不存在负旁瓣。旁瓣是振铃的根源，没有旁瓣，自然就没有振铃。

我私心最喜欢高斯滤波器，原因就是它"干净"。不管 D0 设得多极端，输出图像不会出现一圈圈的伪影，最多就是过度模糊或者过度锐化。对于实际工程来说，宁可效果差一点，也不能让输出结果出现奇怪的假信息，在这个原则下高斯型几乎是必选。

5.2 高斯带通与高斯带阻的构造思路

高斯带通和高斯带阻不像低通高通那样有"标准的单公式"，更常见的做法是通过低通和高通组合构造。带通就是两个低通的差，或者两个高通的组合；带阻则是反过来，用 1 减去带通。

以带阻为例，如果想滤除中心频率为 D0、带宽为 W 的频带，一个常见的高斯带阻形式是：

H(u, v) = 1 - exp(-[(D²(u, v) - D0²) / (D(u, v) * W)]²)

这里 D0 是待抑制频带的中心，W 是带宽参数。这个公式的含义是：当 D 接近 D0 时，指数项接近 exp(-0)=1，H 接近 0，该频带被抑制；偏离 D0 越远，H 越接近 1。

带阻滤波器在去周期性噪声上特别好用。比如扫描图片上有一层周期性的网纹，或者照片上有灯光造成的摩尔纹，它们反映在频谱上就是几个对称的亮斑点，用带阻滤波器（或者说陷波滤波器）把这些斑点盖住，反变换回来，网纹就消失了。这是频域滤波相对空间域滤波最有优势的场景之一，空间域做这种事极其痛苦，频域只要在频谱图上圈几个点就行。

5.3 同态滤波：高斯高通最有价值的应用

同态滤波是我实际工作中用得最多的频域增强手段，它本质上是把图像先取对数，再做高通滤波，再做指数还原。数学依据是照射-反射模型：

f(x, y) = i(x, y) * r(x, y)

照射分量 i 变化缓慢，集中在低频；反射分量 r 变化剧烈，集中在高频。取对数后乘法变成加法，于是可以用高通滤波把二者分开：压缩照射分量的动态范围，增强反射分量的细节。

一个标准的同态滤波传递函数长这样：

H(u, v) = (γH - γL) * (1 - exp(-c * (D²(u, v) / D0²))) + γL

其中 γL 控制低频增益（通常 <1），γH 控制高频增益（通常 >1），c 控制过渡带的陡峭程度，D0 是截止频率。我常用的初值是 γL=0.5、γH=1.5、c=2，然后根据结果微调。同态滤波对背光照片、雾天图像、光照不均的图像有奇效，在我看来是每个做图像增强的人必须掌握的工具。

下表是三种滤波器在几个关键维度上的对比，方便大家选型：

6. 频域滤波与空间域滤波的对应关系

6.1 卷积定理视角下的等价性

前面提到卷积定理，这里需要正面回答一个很多人纠结的问题：既然频域滤波本质是空间卷积，那为什么不直接在空间域做卷积算了？

答案是：要看滤波器尺寸。如果你设计的等效空间核很小（比如 3x3 或 5x5），那空间域卷积速度快，频域反而要来回 FFT，浪费时间。但如果等效核很大（比如几十上百像素半径），空间域卷积的时间复杂度是 O(N²×M²)，而频域只需要两次 FFT 加一次逐点相乘，O(N²logN)，优势就非常明显了。

以高斯滤波为例，一个标准差为 20 像素的高斯核，对应空间域核尺寸可能要 100x100 以上，这时候空间域卷积慢得离谱，频域实现几乎是瞬时的。很多项目里我都建议用频域实现大核高斯滤波，这是实打实的性能优化。

6.2 空间核的尺寸与边界问题

频域滤波隐含了一个周期性假设：DFT 认为图像在水平和垂直方向上是无限周期重复的。这带来两个后果。第一，如果图像左右边界本来就不连续，频域会出现十字形的亮线伪影；第二，的结果在图像边界处可能产生折叠效应。

缓解办法主要有两个：一是先对图像做边界填充（用镜像填充或复制填充，而不是零填充），把边界的不连续性尽量消除；二是用窗函数对原始图像做预处理，让图像边缘渐变为零。这两种方式都能减少频谱上的十字亮线，我在实操中优先推镜像填充，因为简单有效且不改变图像整体亮度分布。

6.3 什么时候用频域，什么时候用空间域

给你一个判断标准：如果处理的是大尺寸核、全局性操作（去噪、去周期纹理、同态增强），用频域；如果是局部小窗口操作（边缘检测、局部对比度、锐化细节），用空间域。

空间域滤波的优点是局部性好、计算开销低、适合实时处理；频域滤波的优点是全局性强、效果直观（直接在频谱上画形状）、适合分析和定制。两者各有各的舞台，不冲突，甚至经常配合使用。

7. Python 实操：从零实现四种滤波器

7.1 基础工具函数：中心化与距离矩阵

进入代码环节。我们的基础环境是 Python + NumPy + OpenCV（可选）+ Matplotlib。首先准备两个基础工具：一个是频谱中心化（把零频移到画面中心），另一个是构建距离矩阵。

import numpy as np import matplotlib.pyplot as plt def fft2_shift(img): # 图像转 float32，执行 FFT 并中心化 f = np.fft.fft2(img.astype(np.float32)) f_shift = np.fft.fftshift(f) return f, f_shift def get_distance_matrix(rows, cols): # 返回每个频点到中心的欧氏距离矩阵 cx, cy = rows // 2, cols // 2 u = np.arange(rows) - cx v = np.arange(cols) - cy U, V = np.meshgrid(u, v) return np.sqrt(U**2 + V**2) def ifft2_shift(f_shift): f = np.fft.ifftshift(f_shift) img = np.fft.ifft2(f) img = np.real(img) return np.clip(img, 0, 255)

这里有个新手特别容易忽略的细节：fftshift和ifftshift不是同一个函数的互逆吗？是，但有个微妙的区别。fftshift把零频从左上角搬到中心，ifftshift把中心搬回左上角。对于偶数尺寸的图像两者效果一致，但如果是奇数尺寸，两者结果不完全一样，所以安全起见，正变换用 fftshift，逆变换用 ifftshift，不要混用。这个细节我曾经在某个深夜调了半小时，最后发现就是这里错了。

7.2 四种滤波器的完整实现

下面直接给出四种滤波器的实现代码。我刻意把输入输出设计成统一的接口：输入原始图像和参数，直接返回滤波后的图。

def ideal_lowpass_filter(img, D0): rows, cols = img.shape D = get_distance_matrix(rows, cols) H = (D <= D0).astype(np.float32) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H) def ideal_highpass_filter(img, D0): rows, cols = img.shape D = get_distance_matrix(rows, cols) H = (D > D0).astype(np.float32) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H) def butterworth_lowpass_filter(img, D0, n=2): rows, cols = img.shape D = get_distance_matrix(rows, cols) H = 1.0 / (1.0 + np.power(D / D0, 2 * n)) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H) def butterworth_highpass_filter(img, D0, n=2): rows, cols = img.shape D = get_distance_matrix(rows, cols) D = np.maximum(D, 1e-6) # 避免除零 H = 1.0 / (1.0 + np.power(D0 / D, 2 * n)) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H) def gaussian_lowpass_filter(img, D0): rows, cols = img.shape D = get_distance_matrix(rows, cols) H = np.exp(-(D**2) / (2 * D0**2)) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H) def gaussian_highpass_filter(img, D0): rows, cols = img.shape D = get_distance_matrix(rows, cols) H = 1.0 - np.exp(-(D**2) / (2 * D0**2)) _, f_shift = fft2_shift(img) return ifft2_shift(f_shift * H)

注意巴特沃斯高通里我加了np.maximum(D, 1e-6)，因为距离矩阵在中心点是 0，直接代入 D0/D 会得到无穷大，导致结果全部变成 NaN。这个坑不多说，踩过的人都懂。

7.3 实操对比：同一张图的滤波效果分析

下面我们加载一张灰度图，分别用六种滤波器跑一遍，并对比结果。

from skimage import data, img_as_float img = img_as_float(data.camera()) fig, axes = plt.subplots(2, 4, figsize=(12, 8)) axes[0][0].imshow(img, cmap='gray') axes[0][0].set_title('Original') filters = [ ('Ideal LP D0=30', ideal_lowpass_filter(img, 30)), ('Butterworth LP n=2 D0=30', butterworth_lowpass_filter(img, 30, 2)), ('Gaussian LP D0=30', gaussian_lowpass_filter(img, 30)), ('Ideal HP D0=30', ideal_highpass_filter(img, 30)), ('Butterworth HP n=2 D0=30', butterworth_highpass_filter(img, 30, 2)), ('Gaussian HP D0=30', gaussian_highpass_filter(img, 30)), ] for i, (title, result) in enumerate(filters): ax = axes[(i + 1) // 4][(i + 1) % 4] ax.imshow(result, cmap='gray') ax.set_title(title) plt.tight_layout() plt.show()

实测效果通常是这样：高斯低通最平滑柔和，巴特沃斯低通边缘保留了稍多细节但略有振铃，理想低通振铃最明显；高通的结果在图像边缘和纹理处响应强烈，理想高通会呈现明显的黑白振铃圈，高斯高通最自然。在实际项目中，几乎每次我都会优先看高斯型的结果，再根据需求决定要不要换成巴特沃斯增加过渡带的锐利度。

7.4 D0 与阶数 n 的调参经验

关于参数，我直接给一组经过多次试验的参考区间：

• D0 的选择：先看频谱图的能量分布。把 log(1+|F|) 的频谱用 imshow 显示出来，观察亮区半径。如果亮区半径大约是图像短边的 1/10，那 D0 取这个值做低通就是保留主要能量；如果要做高通，D0 取更小一点，比如 10~20，不然会把整张图变成黑底白边。
• n 的选择：n=1 最稳，n=2 通用，n=3 以上慎用。做对比实验时建议把 n=1、2、3 的结果放一起看，振铃的出现是非常直观的信号，一有振铃就说明你调过头了。

要特别强调，D0 的单位是"像素距离"，也就是频域坐标里的半径，不是你图像里的像素尺寸。很多人第一次上手会把 D0 设成和图像边长一样大，结果滤波后图像几乎没变化，因为截止频率太高了，所有频率都被放行了。我自己的经验是 D0 先从小到大多扫几组，10、30、50、80，肉眼观察输出质量的拐点，这样最靠谱。

8. 常见问题与避坑指南

8.1 中心化操作：fshift 与 ifftshift 的完全指南

新手最容易出的问题就是中心化。FFT 的结果默认零频在左上角，直接画频谱图会看到四个角各有一块亮斑，而不是中心一块。这时候要先用fftshift把零频挪到中间，可视化才正常。滤波时，滤波器 H 通常也是中心对称的，所以你必须在移位后的频谱上乘 H，然后ifftshift再逆变换。流程顺序错了，结果完全不对。

给一个判断方法：如果逆变换后的图像出现"周期性错位"，也就是图像内容看起来被切成了四块并发生了位移，那基本就是fftshift和ifftshift用混了。还有一个常见表现是，低频滤波器输出的图像整体发灰、亮度明显下降，这大概率是零频（DC 分量）没有被正确处理——要么你乘的滤波器在中心点的值是 0，直接把图像的均值干掉了。

8.2 数据类型与显示范围

FFT 的输入最好是 float32，不要直接给 uint8。uint8 的像素范围是 0~255，FFT 之后频域的幅度可能非常大，中间值可能超过 1e8，直接存成 uint8 会截断成一片白或者一片黑。所以代码里所有频域操作都应该在 float32 或 float64 下进行，最后输出时再 clip 到 0~255。

频谱可视化的经典操作是对幅度取对数：np.log(1 + np.abs(f_shift))。直接看原始幅度谱，除了中心那个大亮斑，其他细节几乎都是黑的，因为动态范围太大了。取对数可以把范围压缩，让高频细节显现出来。这也是为什么教材里的频谱图看起来总是灰蒙蒙的，那不是原图，是 log 变换后的图。

还有一个容易忽略的问题：逆变换后取实部（np.real）而不是幅值（np.abs）。如果取幅值，会把负的像素值变成正的，导致图像对比度失真。我见过有人用np.abs反变换后图像看起来"发白"，就是这个原因。

8.3 振铃与边界伪影怎么识别

振铃的识别特征很清晰：图像边缘附近出现一圈一圈交替的明暗条纹，像水波纹扩散。如果你看到这种图案，先检查是不是用了理想滤波器；如果确实用了理想型，换成巴特沃斯或高斯型即可解决。如果用的是巴特沃斯但 n 太大，同样要降低 n。

边界伪影则是另一回事：图像边缘出现横纵交叉的亮线，尤其在做高通滤波后会放大。这是因为 DFT 隐含周期延拓，图像左右和上下边缘在周期延拓后不连续，产生了沿 x 轴和 y 轴的"十字亮线"。缓解方法是先对图像做边界填充，我用过的最有效的两种：

• 镜像填充：np.pad(img, pad_width, mode='reflect')，有效消除边缘跳变，不影响频谱主体结构
• 窗函数：在滤波前把图像与汉宁窗相乘，使边缘渐变为 0，伪影消除彻底，但会略微改变图像局部统计信息

具体选哪个，取决于图像内容。风景图像的整体灰度变化缓慢，镜像填充更好；显微图像或工业图样需要保留细小特征，窗函数更稳。两种都试一遍，用肉眼判断，最简单直接。

8.4 非线性噪声：求你别用频域滤波去处理

这里我要泼一盆冷水：频域滤波只擅长处理加性平稳噪声，比如高斯噪声、周期噪声。对于椒盐噪声这种脉冲型噪声，频域滤波的效果非常差。

原因好理解：椒盐噪声的频域特性是宽频谱，它和图像的频谱混叠在一起，你不可能在不伤及图像细节的情况下把它去掉。所以如果你需要对含椒盐噪声的图像去噪，请去用中值滤波，或者现在更流行的非局部均值、双边滤波。频域方法在这个场景下是杀鸡用牛刀，而且杀不干净。

判断噪声类型的方法很简单：先看频谱图。如果频谱上出现规律排布的亮星点，说明存在周期性噪声，用带阻/陷波滤波；如果频谱整体均匀分布、没有明显星点，那就是随机噪声，用低通或小波去噪。观察频谱再做决定，这个习惯能让你的项目少走很多弯路。

9. 最后的个人心得

写到这，回想起我做图像处理项目从入门到现在的过程，最有价值的一条经验是：不要一上来就套滤波器，先花几分钟看一下频谱长什么样。频谱是图像在频率域的"体检报告"，该滤哪个频带、不该动哪个频带，它都会告诉你。很多调参难题，在看了频谱之后都会变得特别简单，因为答案就写在那里。

另外，关于这两年被反复讨论的"频域滤波是不是过时了"——我的看法是，深度学习虽然在图像增强去噪上打败了很多传统方法，但频域的思想从来没有退场，甚至连深度学习模型里都在用频域做注意力机制。传统频域滤波依然是理解图像全局结构的捷径，也是很多工程场景里成本最低、可解释性最强的一招。

如果你要继续往下深入，我建议接下来研究两个方向。一是陷波滤波器在去周期性噪声上的精细应用，多频带噪声怎么逐一处理；二是频域滤波与金字塔结合的多尺度增强，它在 HDR 和医学图像里非常好用。这个系列我也会继续往后写，下一篇应该会专门把同态滤波和陷波滤波展开，这两个应用场景最多、也最容易出效果。