Lecture 6⚓︎

约 5061 个字预计阅读时间 25 分钟

按照课程内容整理与重构后的复习笔记

课程主题与整体结构
一、为什么要在频率域中做滤波
二、空间域与频率域的关系
三、频率域滤波的标准流程
四、从频率响应理解滤波器
五、低通滤波（Low pass Filtering）
六、高通滤波（Highpass Filtering）
七、Laplacian 与频率域锐化
八、Unsharp Masking 与 High-Frequency Emphasis
九、选择性滤波：带通、带阻与 Notch Filter
十、Gibbs / Ringing 效应为什么会出现
十一、频率域滤波与空间域滤波如何对应
十二、本课应掌握的核心知识点清单
AI 总结

课程主题与整体结构⚓︎

本讲主题是 Filter in Frequency Domain，也就是把图像增强与滤波问题放到 频率域 中理解和实现。

如果说前几讲主要在空间域里直接对像素邻域做卷积、平滑、锐化，那么这一讲回答的是另外一条主线：

图像进入频率域以后，低频和高频分别代表什么；
为什么空间域卷积可以转成频率域乘法；
为什么频率域滤波必须注意 padding、shift、以及 wraparound error；
频率域中的低通、高通、带阻 / 陷波滤波器分别如何设计；
为什么理想滤波器容易产生 ringing，而 Gaussian 往往更平滑；
如何用 high-frequency emphasis、unsharp masking 等方法做锐化增强。

这一讲可以整理为以下几条主线：

空间域与频率域之间的关系
频率成分在图像中分别对应什么结构
频率域滤波的标准流程与实现细节
低通滤波器：Ideal、Butterworth、Gaussian
高通滤波器与高频强调
选择性滤波：带通、带阻、notch filter
频率域方法在去噪、去条纹、锐化中的应用

一、为什么要在频率域中做滤波⚓︎

频率域分析不是为了把图像变得更抽象，而是为了把“图像里变化有多快”这件事直接表示出来。

对图像来说：

低频对应缓慢变化的大结构、背景、照明趋势、整体灰度分布；
高频对应边缘、纹理、细节、尖锐过渡，也常常包含噪声；
频率域滤波本质上是在决定：哪些变化速度保留，哪些变化速度抑制。

因此：

做 平滑 / 去噪 时，通常希望保留低频、压制高频；
做 锐化 / 边缘增强 时，通常希望强化高频；
对于 周期性干扰，往往不是“所有高频都要去掉”，而是只去掉某些特定频率点，这时就需要 notch filtering。

Important

频率域方法的优势，不只是“换个地方做滤波”，而是：

有些滤波器在频域表达更自然；
周期噪声在频谱中往往表现为局部亮点，更容易定点去除；
大核卷积在频域中可以转成逐点乘法，计算上更方便。

二、空间域与频率域的关系⚓︎

1. Fourier transform pair⚓︎

空间域函数 $h(x,y)$ 与频率域函数 $H(u,v)$ 互为 Fourier transform：

\[ h(x, y)\Longleftrightarrow H(u, v) \]

最重要的桥梁是卷积定理：

\[ f(x, y)*h(x, y)\Longleftrightarrow F(u, v)H(u, v) \]

这意味着：

空间域中的卷积
对应频率域中的乘法

因此如果在频率域中设计好了传递函数 $H(u,v)$，那么就可以通过：

\[ G(u, v)= H(u, v)F(u, v) \]

来完成滤波，再做逆变换得到输出图像 $g(x,y)$。

2. 低频和高频分别表示什么⚓︎

对于图像频谱，通常可以这样理解：

接近频谱中心：低频，反映图像的大轮廓、平均亮度、平滑变化；
远离频谱中心：高频，反映边缘、细纹理、锐利跳变；
某个方向上的亮能量：表示图像在对应方向上有较强的周期变化或结构纹理。

在 MRI 的语境里，常把频率域写成 k-space。直观上：

中心区域主要决定整体对比度和大结构；
外围区域主要决定边缘和细节清晰度。

3. 空间域尺度与频率域尺度的对应⚓︎

这一讲还强调一个很重要的尺度关系：

窄的频率滤波器，往往对应更宽的空间域核；反之亦然。

这意味着：

在频域中把通带压得很窄，空间域响应会更宽、更容易出现振荡；
在频域中过渡越平滑，空间域核通常也越平滑，伪影更少。

这正是后面理解 ideal、Butterworth、Gaussian 滤波器差异的关键。

三、频率域滤波的标准流程⚓︎

频率域滤波不能简单理解为“做个 FFT 再乘一下”。真正稳定、规范的流程包括以下步骤。

1. 标准流程⚓︎

对原图进行适当 padding
用 $(-1)^{x+y}$ 做频谱中心化
计算 Fourier transform，得到 $F(u,v)$
设计滤波器传递函数 $H(u,v)$
做乘法得到 $G(u,v)=H(u,v)F(u,v)$
做逆变换
再乘一次 $(-1)^{x+y}$ 把中心移回去
取实部并裁剪回原始大小

常见表达为：

\[ G(u, v)= H(u, v)F(u, v) \]

\[ g_p(x, y)=\operatorname{real}\left [\mathcal{F}^{-1}(G(u, v))\right](-1)^{x+y} \]

最后再从 padded 图像中裁剪出原大小区域。

2. 为什么要做 shift⚓︎

原始 DFT 的低频默认不在中心，而是在角落附近。为了更直观地观察频谱，也为了更方便设计“以原点为中心”的低通 / 高通滤波器，常使用：

\[ f_c(x, y)= f(x, y)(-1)^{x+y} \]

它的作用是把零频项移动到频谱中心。

3. 为什么要做 padding⚓︎

课上专门强调了 wraparound error（缠绕误差）。原因在于：

频域乘法对应的是 循环卷积
如果不 padding，图像边界会“绕回”另一边（算法默认图像是无限循环拼接的）
这样会引入不真实的边缘污染和相位错误

所以 padding 的目的不是单纯“补零好看”，而是为了让循环卷积更接近我们真正想要的线性卷积。

Note

频率域滤波中，padding + shift 基本属于标准预处理步骤。

吉布斯现象（Gibbs phenomenon）/振铃效应（Ringing artifact）⚓︎

假设在频率域，我们想要一个完美的“低通滤波器”。它的形状像一个完美的矩形（只保留特定频率，稍微高一点的频率被一刀切掉，完全为 0）。根据傅里叶变换的数学规律，频域里的完美矩形，转换到空间域（或时间域），就会变成一个 Sinc 函数（也就是 $\sin(x)/x$）。

问题就在 Sinc 函数，完美的 Sinc 函数在两端是无限延伸的。但是在计算机里，图像大小是有限的，我们不可能存储和计算一个无限长的数据。

窗的概念。把一个无限长的信号“咔嚓”一刀切断，只保留中间一部分，这个动作在数学上就叫做 “加窗（Windowing）”，既然计算机处理不了无限长的 Sinc 函数，我们就加窗，使其截断成有限的长度，剩余部分进行补零。

加窗后的函数 （Spatial Sinc Zero-padding），在频域上便产生了边缘处的 剧烈的上下震荡。这种震荡就是 吉布斯振铃。

吉布斯伪影的典型可见表现，通常是在空间域（或时域）中，边缘附近出现振铃、过冲、欠冲。

Note

频域中做了硬截断，其对应的空间域冲激响应会变成带有振荡尾巴的函数，卷积到图像边缘后，就产生边缘附近的振铃

取实部⚓︎

取实部（real）是为了 消除计算机在进行傅里叶变换时产生的“计算误差”，并强制让结果变回一张能显示的正常图片。

四、从频率响应理解滤波器⚓︎

频率域滤波器的核心不是公式本身，而是：

通带（passband）：哪些频率允许通过；
阻带（stopband）：哪些频率被压制；
过渡带（transition band）：从保留到抑制是突然切换还是平滑切换。

一般来说：

切换越突然，空间域越容易出现振铃；
过渡越平滑，空间域响应越自然。

这就是为什么理想滤波器虽然定义简单，但实际效果往往不如 Gaussian。

五、低通滤波（Low pass Filtering）⚓︎

低通滤波的目标是 保留低频，抑制高频，因此主要用于：

平滑；
去噪；
去除细碎纹理；
在分割或目标提取前先降低不必要细节。

1. 理想低通滤波器（Ideal Low pass Filter, ILPF）⚓︎

理想低通的定义最直接：

\[ H(u, v)= \begin{cases} 1, & D(u, v)\le D_0 \\ 0, & D(u, v)> D_0 \end{cases} \]

其中 $D(u,v)$ 表示频谱中心到点 $(u,v)$ 的距离，$D_0$ 是截止频率。

理解要点：

圆内完全保留；
圆外完全截断；
频率响应边界极其陡峭。

问题也正出在这里：

频域里“硬切断”过于突然；
空间域响应会出现明显振荡，类似“波纹”的效果；
容易产生 ringing / Gibbs 效应。

所以理想低通虽然最容易写公式，但通常不是实际中最平滑的选择。

2. Butterworth 低通滤波器（BLPF）⚓︎

Butterworth 的思想是：保留低通思想，但让边缘过渡更平缓一些。

常写为：

\[ H(u, v)=\frac{1}{1+\left(\displaystyle \frac{D(u, v)}{D_0}\right)^{2n}} \]

其中：

$D_0$ 控制截止范围；
$n$ 是阶数（order），控制过渡带陡峭程度。

应掌握的规律：

$D_0$ 越小，平滑越强，模糊越明显；但是，对于截止频率的值来说不会特别准确（相对于 Ideal Filter）
$n$ 越大，响应越接近理想低通，也更容易带来振铃；
$n$ 较小时，过渡更柔和，视觉更自然。

3. Gaussian 低通滤波器（GLPF）⚓︎

Gaussian 低通滤波器常写为：

\[ H(u, v)= e^{-\frac{D^2(u, v)}{2D_0^2}} \]

Gaussian 在医学图像处理中的使用是最多的。它的关键特点是：

响应从中心向外平滑衰减；
没有理想滤波器那种突变边界，也就是没那么准确；
通常 几乎不产生明显振铃。

Tip

Ideal：最“硬”的截断，最容易振铃；
Butterworth ：折中方案，可选阶数多一些；
Gaussian：最平滑，通常视觉最自然，伪影最少。

4. 低通滤波的使用理解⚓︎

低通滤波不是单纯“让图像更模糊”，而是主动去掉快速变化成分。

其效果既可能是优点，也可能是代价：

能去除随机噪声；
能减弱细碎纹理；
能让区域更连贯；
但也会损失边缘、微小病灶、精细结构。

Note

复习时要会区分：

低通去噪：降低高频噪声
低通模糊：同时也损失高频细节

去噪和模糊本质上是同一件事的两面。

5. 低通滤波的应用例子⚓︎

课件上举的例子可以概括成两类：

文本 / 图样图像：过强低通会让字符边缘变钝--低通修复、细节断裂；
脑 MRI：适度平滑能抑制噪声，但过度平滑会掩盖白质小病灶或细小异常。

因此在医学图像中，低通滤波一定要平衡：

噪声抑制
结构保真

六、高通滤波（Highpass Filtering）⚓︎

高通滤波与低通相反，目标是 保留高频，抑制低频，因此常用于：

边缘增强；
细节突出；
锐化；
去除缓慢变化背景。

1. 基本思想⚓︎

若低通滤波器写为 $H_{lp}(u,v)$，则对应高通滤波器常写为：

\[ H_{hp}(u, v)= 1-H_{lp}(u, v) \]

也就是说：

中心低频区域被压制；
外围高频区域被保留。

对应地，可得到：

理想高通 IHPF
Butterworth 高通 BHPF
Gaussian 高通 GHPF

2. 高频图像的特点⚓︎

经过高通滤波后，图像通常表现为：

背景被压暗或接近零；
边缘和轮廓突出；
结果中可能出现正负值；
对噪声也会更敏感。

因此高通图像本身未必直接适合作为最终显示图，而更常作为：

边缘信息图；
锐化增强中的中间结果。

3. 高频滤波的风险⚓︎

高通会强化一切快速变化，不只强化边缘，也会强化噪声。

所以需要记住：

图像越噪，高通越容易把噪声一起放大；
理想高通同样可能引入振铃；
Gaussian 高通往往更平稳。

七、Laplacian 与频率域锐化⚓︎

在空间域里，Laplacian 是二阶微分算子，强调灰度变化剧烈的位置；在频率域中，它也有对应的传递函数，因此可以用频率域形式实现锐化。

核心思想是：

空间域的微分对应频率域中的频率加权；
频率越高，被赋予的权重越大；
因而能够突出边缘和细节。

复习时应掌握：

Laplacian 本质是高通增强的一种形式；
它强调高频，因此对噪声也敏感；
频率域表达的意义，在于把“锐化为什么能增强边缘”解释得更直接。

八、Unsharp Masking 与 High-Frequency Emphasis⚓︎

这一部分是期末很容易考“概念区别”的地方。

1. Unsharp masking 的思想⚓︎

先得到图像的低频部分 $f_L$，再用原图减去它，得到高频细节：

\[ f_h = f-f_L \]

然后把高频细节按一定比例加回原图：

\[ g = f+kf_h \]

这就是反锐化掩膜 / unsharp masking 的基本思想。

它的本质不是直接做纯高通，而是：

从原图中分离出细节；
再把这些细节受控地加回去。

2. High-frequency emphasis filtering⚓︎

高频强调是在高通基础上进一步做“保留原图主体 + 强化高频”的折中。

理解上可以写成：

不是把低频全部去掉；
而是在保留低频背景的同时，提高高频部分权重。

因此它通常比纯高通更适合作为增强后的最终图像。

3. 与纯高通的区别⚓︎

纯高通：主要输出边缘和快速变化成分；
高频强调：保留原图整体可读性，同时增强边缘；
Unsharp masking：通过“原图减模糊图”的方式提取细节并加回。

Important

这三者都属于锐化思路，但不要混为一谈：

纯高通更像“提取高频”
高频强调更像“边保留整体边增强细节”
Unsharp masking 更像“先构造细节层，再叠加回原图”

九、选择性滤波：带通、带阻与 Notch Filter⚓︎

现实图像中，很多干扰不是“所有高频都不好”，而是只在某几个频率上异常明显。此时就要从“整体低通 / 高通”进入 选择性滤波。

1. 带阻滤波（Bandreject）⚓︎

带阻滤波的目标是：

保留低频；
保留很高频；
只压制某一段中间频率。

可理解为“低通 + 高通”的组合。

适用场景：

某段频率对应不需要的周期结构；
想保留整体轮廓与细节，但去掉特定频带干扰。

2. 带通滤波（Bandpass）⚓︎

带通与带阻相反：

只保留某一段频率；
低于和高于该范围的都被压制。

常用于分析特定尺度结构，但在一般增强中使用不如低通 / 高通常见。

3. Notch reject filter⚓︎

notch filter 是更“定点”的滤波方式，它不是去掉一整个圆环频带，而是去掉频谱中 若干局部频率点或窄区域。

这在去除 周期噪声 / 条纹噪声 / 干扰线 时非常重要。

例如图像中若有近似周期性的横纹或竖纹，那么在频谱中通常会出现成对的亮点。此时：

不能粗暴地全部高通或低通；
而是应该在这些亮点附近放置 notch reject 区域；
这样既能压制干扰，又尽量保留其余正常结构。

4. 为什么 notch 往往成对出现⚓︎

对实值图像，频谱往往具有共轭对称性，因此一个周期噪声频率点，通常会在频谱中心两侧对应出现成对亮点。

所以设计 notch filter 时，经常要 成对处理。

十、Gibbs / Ringing 效应为什么会出现⚓︎

这一讲反复出现的一个关键词就是 ringing。

其本质原因是：

在频率域中做了过于突然的截断；
对应到空间域，就会出现振荡型响应；
在边缘附近表现为亮暗波纹、伪边缘或光晕。

因此：

理想低通、高通都更容易带来 ringing；
Butterworth 次之；
Gaussian 通常最平滑。

一句话记忆：

频域越“硬切”，空域越容易“振”。

十一、频率域滤波与空间域滤波如何对应⚓︎

这部分容易在考试中和前一讲串联起来。

1. 同一目标，两种实现⚓︎

例如平滑和锐化，既可以在空间域实现，也可以在频率域实现。

空间域：直接设计卷积核；
频率域：设计传递函数 $H(u,v)$。

二者通过 Fourier transform 联系起来。

2. 不同实现方式的特点⚓︎

小核、局部操作：空间域往往更直观；
大范围卷积、周期噪声抑制：频率域更方便；
频率域更适合解释“哪些频率被保留 / 抑制”。

3. 不要把“高通 = 边缘检测”简单等同⚓︎

高通确实强调边缘，但它并不只对边缘响应，也会对噪声、细碎纹理、尖锐伪影响应。

所以：

边缘检测 更偏向寻找边缘位置；
高通滤波 更偏向保留所有高频成分。

两者有联系，但不是同义词。

十二、本课应掌握的核心知识点清单⚓︎

必须会区分的概念⚓︎

空间域滤波 vs 频率域滤波
低频 vs 高频
低通 vs 高通 vs 带通 vs 带阻 / 陷波
理想滤波器 vs Butterworth vs Gaussian
纯高通 vs 高频强调 vs Unsharp masking
周期噪声整体抑制 vs notch 定点抑制

必须会写或会认的公式⚓︎

卷积定理 $$ f(x, y)*h(x, y)\Longleftrightarrow F(u, v)H(u, v) $$
频率域乘法 $$ G(u, v)= H(u, v)F(u, v) $$
理想低通 $$ H(u, v)= \begin{cases} 1, & D(u, v)\le D_0 \\ 0, & D(u, v)> D_0 \end{cases} $$
Butterworth 低通 $$ H(u, v)=\frac{1}{1+\left(\frac{D(u, v)}{D_0}\right)^{2n}} $$
Gaussian 低通 $$ H(u, v)= e^{-\frac{D^2(u, v)}{2D_0^2}} $$
高通与低通关系 $$ H_{hp}(u, v)= 1-H_{lp}(u, v) $$
Unsharp masking $$ f_h = f-f_L,\qquad g = f+kf_h $$

必须理解的物理意义⚓︎

频谱中心主要对应低频大结构
频谱外围主要对应细节与边缘
padding 是为了避免循环卷积带来的 wraparound error
shift 是为了把低频移到中心，便于设计滤波器
频率响应越陡，空间域越容易振铃
notch filter 适合去除周期性条纹干扰

必须注意的问题⚓︎

高频不仅包括边缘，也包括噪声
低通虽然能去噪，但也会损失病灶和小结构
理想滤波器定义简单，但实际伪影常更明显
频率域实现结果若异常，优先检查 padding / shift / 裁剪

AI 总结⚓︎

本讲《Filter in Frequency Domain》主要讨论如何从频率域角度理解和实现图像滤波。核心思想是：图像可以分解为不同频率成分，其中低频对应整体亮度、平缓背景和大尺度结构，高频对应边缘、纹理、细节以及部分噪声；因此图像增强本质上就是控制不同频率成分的保留与抑制。课程首先用 Fourier transform pair 和卷积定理建立空间域与频率域之间的联系，说明空间域卷积等价于频率域乘法；随后强调频率域滤波的标准流程，包括 padding、频谱中心化 shift、构造传递函数、逆变换和裁剪，并特别指出不做 padding 会导致 wraparound error。接着课程系统介绍了低通滤波器与高通滤波器的设计思想：理想滤波器边界最陡但容易产生 Gibbs / ringing，Butterworth 通过阶数控制过渡带陡峭程度，Gaussian 由于频率响应最平滑，通常振铃最弱。之后课程进一步讨论了高频强调、unsharp masking、带通 / 带阻 / notch filtering 等更有针对性的增强方式，说明周期噪声常常需要在频谱中做局部定点抑制，而不是简单地整体低通或高通。整体来看，这一讲真正要掌握的主线是：频率域滤波并不是“换一种算图方式”，而是把图像增强问题直接转化成“哪些变化速度应该保留、哪些应该抑制”的设计问题。