核心原理#

图像中的边缘、细节和噪声通常对应频域中的高频分量，而衰减较慢的背景、大面积平滑区域则对应低频分量。高通滤波器（Highpass Filter, HPF）通过衰减（或阻挡）低频分量，同时允许高频分量通过，从而达到突出图像边缘、轮廓和细节（即图像锐化）的目的。 其频域传递函数 $H(u,v)$ 通常满足：当频率远离原点时，该函数值增大。

频域滤波的基本步骤#

1. 预处理与补零（Padding）：为了防止图像在进行卷积时产生环绕显示误差（Periodic Wrap-around Error），通常将大小为 $M \times N$ 的原图像填充至 $P \times Q$（通常 $P \ge 2M, Q \ge 2N$），常用零填充。
2. 中心化移频：将输入图像乘以 $(-1)^{x+y}$，以便将图像的傅里叶频谱中心平移到频域矩阵的中心 $(P/2, Q/2)$。
3. 计算计算离散傅里叶变换（DFT）：对处理后的图像进行快速傅里叶变换（FFT），得到频域表示 $F(u,v)$。
4. 生成滤波器：构建一个与填充后图像大小相同的高通滤波器函数 $H(u,v)$（如理想、巴特沃斯或高斯高通滤波器）。
5. 频域点乘：将图像频谱与滤波器函数进行点对点相乘，得到滤波后的频域结果：$G(u,v) = H(u,v) \cdot F(u,v)$。
6. 计算逆离散傅里叶变换（IDFT）：对 $G(u,v)$ 进行逆快速傅里叶变换（IFFT），转回空域。
7. 后处理与裁剪：取结果的实部，再乘以 $(-1)^{x+y}$ 消除中心化影响，最后裁剪掉第一步填充的边缘，恢复成原图大小。

8. （问答题）图像空域增强与频域增强的基本原理

• 空域增强（Spatial Domain Enhancement）：

• 原理：直接在图像的像素空间上进行操作。它通过映射函数或局部窗口（模板核）直接修改每个像素的灰度值。

• 数学表达：$g(x,y) = T[f(x,y)]$。常见的操作包括灰度变换（如伽马校正）、直方图均衡化以及空域卷积（如平滑卷积核、拉普拉斯算子锐化）。

• 频域增强（Frequency Domain Enhancement）：

• 原理：基于数学变换（如傅里叶变换），将图像从空间域转换到频率域。在频域中，图像被分解为不同频率的正弦/余弦波组合。通过修改不同频率分量的振幅（滤波），然后再通过逆变换转回空域，从而间接实现图像的增强。

• 数学表达：$g(x,y) = \mathcal{IFFT}[H(u,v) \cdot \mathcal{FFT}(f(x,y))]$。

9. （问答题）频域增强与空域增强有何不同

10. （问答题）傅里叶变换在图像处理中有着广泛的应用，请简述其在图像的高通滤波中的应用原理。

傅里叶变换在图像高通滤波中的应用原理可以概括为“空间域卷积对应频域乘积”的时频转换机制：

1. 频谱分离（建立桥梁）：二维离散傅里叶变换（DFT）将复杂的空域图像信号分解为离散的二维空间频率分量。在中心化后的频谱图中，低频分量（对应图像平滑的背景和整体轮廓）集中在中心，而高频分量（对应图像的边缘、突变、细节和噪声）分布在四周。
2. 频域过滤（核心控制）：借助傅里叶变换搭建的频域舞台，高通滤波器 $H(u,v)$ 可以大显身手。它通过数学公式设计（如高斯高通公式 $H(u,v) = 1 - e^{-D^2(u,v)/2D_0^2}$），将靠近中心的低频信号振幅强行衰减甚至设为 0，而保留远离中心的高频信号振幅不变。
3. 信号重组（逆变回空域）：通过点乘修改完频谱后，再利用逆傅里叶变换（IDFT）将这些被筛选过的频率分量重新叠加、组装回空间域。由于重组时丢失了大部分低频背景，恢复出来的图像便只剩下了被高频分量统治的边缘、轮廓和细节，从而完美实现了图像的锐化增强。