企业官网建设流程全解析

1. 为什么要绕到频率域去做滤波

先说个实际场景：你拿到一张扫描件，上面有一层规律的网纹，或者拍摄夜景时CMOS传感器留下的颗粒噪点，空间域里用中值滤波、均值滤波试了一圈，要么磨掉细节，要么纹路还在。这时候就该换个思路，把图像从"像素坐标"这个视角搬到"频率"这个视角去处理。我当年第一次认真学频率域滤波，就是被这种周期性噪声逼的。

频率域滤波的核心思路其实一句话就能讲明白：图像里灰度变化平缓的区域对应低频分量，边缘、纹理、噪声这类剧烈跳变对应高频分量。用傅里叶变换把图像拆成不同频率的成分，然后在频率域里"挑肥拣瘦"——想平滑就压掉高频，想锐化就压掉低频，想去除特定纹路就把对应频率点挖掉——最后再逆变换回空间域。这套思路最吸引人的地方在于，很多在空间域里写起来很别扭的操作（比如去除周期性条纹），在频率域里可能就是一个掩膜的事。

这篇笔记适合两类人：一类是刚学完空间域滤波、想进一步理解"频域到底是什么"的初学者；另一类是已经能跑通代码，但总遇到"为什么我的图出来全是条纹""为什么滤波后图像变暗"这类问题、想系统排查的实践者。下面所有内容我尽量按"原理->参数->代码->踩坑"的顺序讲，代码用Python验证过，但思路同样适用于MATLAB。

先说清楚一个最容易混淆的点：频率域滤波不是"另一种滤波器"，而是"另一种处理空间"。空间域卷积和时间域/频率域乘法是对偶的——空间域里拿一个卷积核跟图像做卷积，等价于频率域里把两者的频谱相乘，然后再逆变换回去。这就是卷积定理。所以你在Photoshop里做的那些滤镜效果，理论上都能用频率域实现，只是计算效率和直观程度不同。理解了这一层，后面所有操作就都有根了。

2. 从空间域到频率域：傅里叶变换与频谱图的关键细节

2.1 二维离散傅里叶变换的基本形式

对一幅尺寸为 M×N 的图像 f(x,y)，它的二维离散傅里叶变换（DFT）定义为：

F(u,v) = ΣΣ f(x,y) · e^(-j2π(ux/M + vy/N))

这里 u 和 v 是频率变量。对初学者来说，这个公式看一眼知道它"在算什么"就行——它把图像分解成一组不同方向、不同频率的正弦/余弦基波的叠加。真正需要死记的不是公式本身，而是三个性质：

第一，DFT的周期性。DFT隐含了对图像的周期延拓，所以变换结果 F(u,v) 也是周期性的，周期为 M×N。这直接导致了后面讲的"缠绕错误"（wraparound error）——如果你不填充零，图像的左右边界、上下边界会在"拼接"处产生虚假的高频分量。

第二，频谱的共轭对称性。对实值图像来说，频谱是共轭对称的，也就是说频谱图左右、上下是对称的。这一点在构造滤波器掩膜时特别重要——你修改某个频率点，必须同步修改它对称位置的点，否则逆变换出来的图像会是复值或者有奇怪的相位残留。

第三，直流分量（DC分量）。F(0,0) 对应图像的灰度平均值，是整个频谱里数值最大的那个点。这是导致一个经典问题的根源：频谱图上那个最亮的中心点如果不做特殊处理，会掩盖周围所有细节。

2.2 频谱中心化与可视化

直接用 fft2 算出来的频谱，低频分量在四个角上，高频在中心附近。这并不方便观察，因为人类视觉对图像中心区域更敏感，而且典型的自然图像频谱能量都集中在低频，四个角上的亮点会显得特别突兀。所以实际操作的第一步几乎永远是"中心化"：

import numpy as np from scipy import fftpack import matplotlib.pyplot as plt img = plt.imread('sample.png').astype(float) if img.ndim == 3: img = img.mean(axis=2) # 转灰度 F = fftpack.fft2(img) # 二维FFT F_shifted = fftpack.fftshift(F) # 把低频移到中心

fftshift 做的事情就是交换象限，把原来在四个角的低频翻到中心。变换之后如果直接看幅度谱 |F(u,v)|，你会发现几乎全是黑的——因为动态范围太大了，低频部分可能有上百万的数值，而高频可能只有几百。直接显示的结果是：中心一个白点，周围一片死黑。

解决办法是取对数压缩动态范围：

magnitude = np.abs(F_shifted) log_magnitude = np.log(1 + magnitude) plt.imshow(log_magnitude, cmap='gray')

取 log 的实际意义是把乘法关系变成加法关系，让原本差几个数量级的数值能在一张图里同时显示出来。这是观察频谱的标配操作，但要注意：这只是显示层面的处理，真正做滤波的时候，我们还是用原始幅度值去乘掩膜，千万不要在取完对数之后的频谱上做乘法。

提示：灰度范围很窄的图（比如只有1到10的灰度值），直接FFT后频谱数值也会很小，这时候 log(1+magnitude) 的作用就更明显。但如果你把整幅图都乘以255再变换，频谱数值会放大255倍，滤波结果不受影响，因为乘除是线性的。

2.3 频率分布与图像内容的对应关系

理解频谱图怎么看，是频率域滤波的第一道坎。拿一张棋盘格图片来说，它的频谱里会有一对对明显的亮点，位置对应棋盘格的排列周期；拿一张有横条纹的图来说，频谱里会有纵向分布的一排亮点——注意，水平方向的条纹产生垂直方向上的频率分量，这个方向关系经常有人搞反。

我再举个例子帮大家建立直觉：一张白纸上有一根竖直的黑线。竖直的黑线在空间域是沿水平方向灰度突变，所以它对应的是水平方向的高频分量，反映在频谱图上就是水平方向（也就是u轴方向）上一条较亮的线。反过来，水平黑线对应频谱图中的垂直亮线。这种"方向正交"的关系，在去除周期性纹理时是定位频谱峰值的关键线索。

顺带说一句，频谱图的中心代表低频，离中心越远频率越高，但也存在一个实际限制：数字图像的最高频率由采样密度决定，也就是奈奎斯特频率。对于一张 M 列的图像，最高空间频率是 M/2 个周期/图像宽度，这对应频谱图边缘的位置。所以滤波器半径的最大值不是无限的，而是到频谱图边缘的距离——这个约束在后面选截止频率时用得着。

3. 三种低通滤波器：理想、布特沃斯和高斯的取舍

低通滤波器的目标是保留低频、衰减高频，达到平滑去噪的效果。教科书里必讲的三种低通滤波器，我实际用下来的感觉是：它们是同一件事的三种"激进程度"，理解它们的区别，基本就理解了频率域滤波一半的参数选择逻辑。

3.1 理想低通滤波器（ILPF）与振铃效应

理想低通的定义最简单粗暴：

H(u,v) = 1，如果 D(u,v) ≤ D0；否则 H(u,v) = 0

其中 D(u,v) 是点 (u,v) 到频谱中心的距离，D0 是截止半径。从频率响应曲线上看，它就是一个完美的"门"——想保留的全保留，想删掉的全删掉。

听起来很美，但实际用它做出来的图像会有一圈一圈的明暗振荡，专业术语叫振铃效应（ringing）。原因是：理想低通在频率域是一个矩形函数（圆形的门），它的空间域对应的卷积核是一个sinc函数形状。sinc函数有正有负且振荡衰减，跟图像卷积之后，在边缘附近就会叠加出"鬼影环"。

我第一用理想低通滤波一张包含文字和图表的文档扫描图，D0 选了30，结果文字边缘全是水波纹，直接没法看。后来查资料才意识到这不是参数选得不好，而是这种滤波器的数学本质决定的：频率响应跳变越陡峭，空间域的振荡就越强。

注意：振铃效应在图像处理里是一个大忌，因为它会伪造出原本不存在的结构。医学影像、刑侦图像这类对真实性质要求极高的场景，基本不会用理想低通。

3.2 布特沃斯低通滤波器：参数n的平衡作用

布特沃斯低通滤波器（BLPF）的传递函数是：

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

它没有理想低通那样陡峭的"悬崖"，而是一条平滑的过渡带。n 是阶数，控制过渡带的陡峭程度。n越大，曲线越接近理想低通；n=1时，过渡非常平缓。

实际使用中，n=2是我个人最常用的配置。为啥？因为布特沃斯滤波器有个特性：当 D=D0 时，不管n取多少，增益都恰好是 1/2（也就是-3dB），这是它的定义决定的。n越大，D0之外衰减越快，但同时振铃越明显。二阶布特沃斯在"衰减速度"和"振铃控制"之间取得了平衡，这也是为什么很多开源库里默认都是二阶。

我做过一个对比实验：同样的噪声图像，分别用 D0=40 的 n=1、n=2、n=5 三个布特沃斯滤波。n=1 的结果太糊，边缘都软了；n=5 的边缘倒是保住了，但背景有轻微振铃；n=2 是肉眼看起来最自然的。当然这个结论不绝对，如果你的图像本身只有轻微噪声、细节很多，可以适当提高n；如果噪声严重、对细节要求不高，n=1 也没问题。

3.3 高斯低通滤波器：无振铃的稳妥选择

高斯低通滤波器（GLPF）的传递函数为：

H(u,v) = exp(-D²(u,v) / (2D0²))

注意这里 D0 的定义和布特沃斯略有不同——在高斯滤波器里，D0 是标准差σ，而不是-3dB截止点。当 D=D0 时，增益是 exp(-0.5) ≈ 0.607，比布特沃斯的 0.5 略高。这一点在做精确的对比实验时要注意，不同文献里的 D0 含义可能不一样。

高斯滤波器最大的优点是空间域对应的高斯核也是高斯函数，没有负值，所以完全不产生振铃。代价是它的过渡带比较宽，对高频的抑制不够"彻底"，体现在视觉上就是图像整体偏柔和，细节损失比同参数下的布特沃斯多。

三种滤波器怎么选，我总结成一张表：

4. 高通、带阻与同态滤波：频率域不只是"低通"

4.1 高通滤波与边缘增强

高通滤波器是低通的反面：保留高频、衰减低频。最简单的高通就是"1减去低通"：

H_HP(u,v) = 1 - H_LP(u,v)

这个关系在频率域里特别方便，你不需要重新设计滤波器，只要选定一种低通原型，用1去减它就得到了对应的高通。理想高通同样有振铃问题，高斯高通最安全。布特沃斯高通带一个 n 参数可以调节锐化强度。

高通滤波的直接效果是边缘增强。因为边缘是灰度突变的地方，对应高频分量，保留高频、去掉低频后，平坦区域的灰度被压暗，而边缘区域保留甚至强化，看起来就像"铅笔素描"或者"边缘图"。但它有个实际使用中的坑：高通滤波后的图像均值会降到接近0，因为直流分量被滤掉了。直接显示的话，图像会是一大片灰色中间带黑白边缘——灰度0到255的线性映射下，中心值127附近全是灰蒙蒙的。

解决办法是把结果加上一个原始图像或者一个常数偏置，学术上叫"高频提升滤波"（high-boost filtering）：

g(x,y) = α·f(x,y) + 高通结果

其中 α 通常取0.5到1之间。这个操作的本质是：既保留低频轮廓，又叠加高频细节，得到一种"更锐利但没丢失整体亮度"的效果。我在增强老旧照片细节时经常用这个，比Photoshop的"USM锐化"更可控。

4.2 带阻滤波与周期性噪声的去除

带阻滤波器用于压制特定频率范围的成分。最典型的案例是去除扫描图像里的莫尔纹（moire pattern）或者周期性纹理——比如印刷品的网纹。

做法需要两步：第一步是观察频谱图，找到周期性噪声对应的一簇亮斑的位置；第二步是以这些亮斑为中心，构造一个"挖掉"这些区域的掩膜。这个操作也叫陷波滤波（notch filtering）。

以我的经验，周期性噪声在频谱图上的特征非常明显：规律排列的亮斑，成对出现（因为共轭对称）。如果噪声是水平条纹，亮斑就在垂直方向排列；如果是斜向条纹，亮斑也会斜向排列。定位亮斑后，我通常用一个高斯型的陷波器去扣掉它：

def notch_filter(shape, centers, radius=5, sigma=3): H = np.ones(shape) cy, cx = shape[0] // 2, shape[1] // 2 yy, xx = np.mgrid[:shape[0], :shape[1]] for (uy, ux) in centers: # 处理对称位置 for dy, dx in [(uy, ux), (-uy % shape[0], -ux % shape[1])]: D2 = (yy - (cy + dy))**2 + (xx - (cx + dx))**2 H *= 1 - np.exp(-D2 / (2 * sigma**2)) return H

注意陷波滤波器里我在循环中同步处理了对称位置。这是因为频谱的共轭对称性，漏掉对称点会导致逆变换后的图像出现相位错误，表现就是整幅图出现明暗相间的"水彩纹"。这个细节很多教程不会提，但你漏了它，效果一定不对。

4.3 同态滤波：照明-反射模型的实战应用

同态滤波是频率域里一个稍进阶但极其实用的方向。它的理论基础是图像的照明-反射模型：

f(x,y) = i(x,y) · r(x,y)

照明分量 i 变化平缓，对应低频；反射分量 r 包含物体细节，对应高频。取对数后乘法变加法，然后做高通滤波来压缩照明、增强反射，最后取指数恢复。这相当于同时做了"亮度均衡"和"细节增强"，特别适合处理光照不均匀的照片，比如侧光拍的文档、背光下的人像。

我在一个低照度图像增强项目里用过同态滤波：一张室内暗光照片，整体偏暗且右上角有强烈的灯光渐变。传统直方图均衡把暗部提亮了，但灯光区域也一起过曝；同态滤波则把低频的照明分量压下去，细节区域的高频分量提上来，出来的效果是整张图亮度均匀且细节可见。当然它也有副作用——处理过度会让图像发灰、对比度下降，所以通常配合CLAHE用，先同态再局部均衡。

5. 实操全流程：从读图到输出的完整实现

5.1 环境准备与关键库

我用的组合是 Python 3.10 + NumPy + SciPy + Matplotlib。SciPy 的 fftpack 接口比 NumPy 自带的 fft 在二维变换上更顺手（其实两者底层都是FFTW，速度差不多），但注意新版 SciPy 推荐用 scipy.fft 替代 scipy.fftpack。如果你用 OpenCV，它的 dft 函数也可以做，但输出布局和坐标约定跟 NumPy/SciPy 不太一样，混用容易出bug——我建议一个项目里只认准一套API。

5.2 核心实现步骤

整个流程固定五步：读图与预处理 -> FFT变换 -> 中心化 -> 构造滤波器 -> 相乘并逆变换。

import numpy as np from scipy import fft import matplotlib.pyplot as plt def frequency_filter(image, filter_mask): # 1. FFT并中心化 F = fft.fft2(image) F_shifted = fft.fftshift(F) # 2. 频率域相乘 G_shifted = F_shifted * filter_mask # 3. 去中心化并逆变换 G = fft.ifftshift(G_shifted) g = fft.ifft2(G) return np.real(g) def gaussian_lowpass(shape, cutoff): rows, cols = shape crow, ccol = rows // 2, cols // 2 y, x = np.ogrid[:rows, :cols] D2 = (y - crow)**2 + (x - ccol)**2 return np.exp(-D2 / (2 * cutoff**2)) img = plt.imread('input.png').astype(float) if img.ndim == 3: img = img.mean(axis=2) H = gaussian_lowpass(img.shape, cutoff=30) filtered = frequency_filter(img, H) # 显示：注意截断到[0,255] filtered = np.clip(filtered, 0, 255).astype(np.uint8)

这段代码看起来简单，但里面有三个细节决定成败：

第一个是np.real(g)。逆变换理论上应该得到纯实数，但由于浮点计算误差和滤波器掩膜可能不完全对称，虚部往往会残留很小的值。直接取实部是最稳妥的做法，千万不要用np.abs(g)——取绝对值会把负的灰度值翻正，造成局部亮度反转，图像上表现为边缘处出现"光晕"。

第二个是逆变换后的数值范围。FFT和逆FFT的综合增益可能让结果超出[0, 255]范围，显示前必须 clip。如果图像整体偏暗，说明直流分量在掩膜里被削弱了，这在低通滤波器里正常；但如果图像出现大片黑色，检查一下是不是挖掉了低频却又没有补偿。

第三个是滤波器掩膜的数据类型。掩膜必须是浮点数，如果你不小心建了 uint8 的掩膜，0和1的乘法没问题，但像高斯滤波器这种0到1之间的连续值会被截断成0或1，滤波效果会直接变成"理想滤波器"的效果，还可能引入伪影。

5.3 截止频率D0怎么选

截止频率的选择是最没有标准答案的部分。我的实践方法是：

先看频谱图，估算"信号能量集中区"的半径。一般自然图像的频谱能量集中在中心附近的小圆内，噪声则散布在整个频率平面。如果中心亮斑的半径大约20像素，选 D0=20-30 就是合理的起点。噪声严重就往下调，细节重要就往上调。

一个比较工程化的方法是"能量百分比法"：计算以中心为圆心、半径r的圆内累积能量占总能量的比例。设总能量为E_total = Σ|F(u,v)|²，半径r内的能量为 E_r = Σ_{D≤r} |F(u,v)|²，找一个r使得 E_r / E_total ≈ 0.95，这个r就是 95% 能量保留半径，可以作为 D0 的参考值。这个方法的计算很快，代码也就十几行，比肉眼估靠谱得多。

def energy_ratio(F_shifted, radius): rows, cols = F_shifted.shape crow, ccol = rows // 2, cols // 2 y, x = np.ogrid[:rows, :cols] D = np.sqrt((y - crow)**2 + (x - ccol)**2) mask = D <= radius total = np.sum(np.abs(F_shifted)**2) inside = np.sum(np.abs(F_shifted[mask])**2) return inside / total

如果你发现95%能量对应的半径占了图幅的一半，说明这幅图的细节极其丰富，强行用很小的 D0 滤波会把细节全抹掉——这时候就要反思是不是真的需要低通。

5.4 边界问题：为什么要做零填充

这是频率域滤波最隐蔽的坑。前面提到DFT隐含周期延拓，如果图像左右边界灰度差异很大，延拓后会形成一条人为的"接缝"，这条接缝在频谱图里会表现为横贯整个图的十字亮线（水平方向的接缝产生垂直亮线，垂直方向的接缝产生水平亮线）。

解决办法是填充零。先把图像 padding 成原来的两倍大小（或者用至少大于图像最大尺寸的数值，常用2倍），滤波完成后再裁剪回原尺寸。零填充不会改变图像的周期延拓边界吗？会，但它把"边界跳变"从图像边缘移到了填充区域内部，滤波后裁剪掉填充部分，实际输出的图像就免受缠绕干扰了。

def pad_to_double(img): rows, cols = img.shape padded = np.zeros((rows * 2, cols * 2), dtype=img.dtype) padded[:rows, :cols] = img return padded padded = pad_to_double(img) H = gaussian_lowpass(padded.shape, cutoff=30) result_padded = frequency_filter(padded, H) result = result_padded[:img.shape[0], :img.shape[1]]

这个操作平时看着多余，但一旦你的输入图像是有明显明暗分界的内容（比如白底文档黑标题、暗背景亮主体），不填充振铃和边缘伪影立刻就会出现。我第一次做的时候没填充，滤波后的文字边缘全是波浪，排查了半天才发现是周期延拓的锅。

6. 常见问题与排查技巧实录

6.1 滤波后图像出现"迷宫"状条纹

这是频率域滤波新手最常遇到的问题。图像上出现规律性条纹，通常意味着滤波器掩膜破坏了频谱的共轭对称性——你只处理了半边频谱，或者掩膜在对称位置上的值不一致。

排查方法很直接：打印滤波器掩膜的对称性检查值 max(|H - H_flip|)。如果这个值不是约等于0，掩膜构造就有bug。另外，如果你手动修改了频谱的某些点（比如陷波滤波），一定要确认对称位置同步修改。

6.2 频谱图中心太亮，什么都看不清

前面说过的动态范围问题。先确认你做了 log 变换。如果做了仍然是中心一片白，可以试试 percentile 截断：把幅度谱的99.9百分位数作为显示上限，超过的截断。这样能保留更多暗部细节。

还有一个常见原因：图像本身有直流偏置，比如整幅图平均灰度是120而不是0。直流分量在频谱图上就是中心那个异常亮的点，直接导致其他部分被压制。如果你不需要强调DC成分，显示频谱图时可以手动把中心点置零再显示：log_magnitude[crow, ccol] = 0，这只对显示有影响，不改变滤波计算。

6.3 低通之后图像整体发灰发暗

原因通常不是滤波器本身，而是逆变换后没有做正确的灰度重映射。具体的流程是：逆变换结果里可能包含负值（因为高频被削弱后，原本由高频维持的亮度细节丢失了），直接 clip 到 [0,255] 会把负值截成0，造成暗部细节丢失，图像发灰。

更稳妥的做法是先做直方图拉伸，把逆变换结果的 1% 到 99% 百分位数线性映射到 [0, 255]，然后再 clip。这能保留更多暗部细节。如果连对比度也不要了，也可以在滤波前后给图像加一个偏置，但这属于"经验派"修法，不推荐在严谨项目里用。

6.4 处理彩色图像时的通道策略

频率域滤波默认针对灰度图。处理彩色图像时，最常见的错误是直接对RGB三个通道分别做FFT滤波，然后合并——这会导致颜色失真，因为各通道的噪声特性和响应不同，滤波强度不一致会让色调偏移。

我推荐的做法是：转换到YUV或者Lab色彩空间，只对亮度通道（Y或L通道）做频率域滤波，色度通道保持不变，处理完再合并回RGB。这样既能利用频率域滤波的优点，又不会破坏颜色信息。OpenCV里有现成的cv2.cvtColor接口，转换成本很低。

6.5 性能考量与大图处理策略

FFT的复杂度是 O(N² log N)，对于 4096×4096 的大图，一次FFT大概是千万级别运算，现代CPU能扛住，但如果你要在循环里反复滤波（比如参数寻优），就不划算了。

我的经验是两个优化方向：一是尽量在 float32 下运算，float64 会多一倍内存和算力；二是如果只是调参，先用缩小版的图像（比如原图的1/4大小）试效果，确定参数后再用全分辨率跑最终结果。频率域滤波的参数（D0等）跟图像分辨率有关，缩小后参数需按比例缩放——例如512×512图上D0=30，对应1024×1024图上应该用60，因为频谱图尺寸变大了两倍。

7. 频率域滤波的空间域对照与扩展方向

7.1 为什么空间域卷积核也能做同样的事

既然频率域滤波能做的事空间域卷积也能做，那学了频率域到底有什么用？答案是：频率域给了你"设计滤波器"的自由，而空间域给你"快速执行"的效率。

高斯低通在空间域就是对图像做高斯模糊，这个用卷积核实现很快；但如果你要做一个任意的带通滤波器——保留某个频段的成分——空间域里对应的卷积核可能尺寸巨大、结构复杂，实际没法用。频率域里你只需要几行代码构造一个掩膜就行。理解了这层互补关系，你在实际项目里就能灵活选择：能用小卷积核的用卷积，必须精确控频的用频率域。

7.2 频域处理与深度学习的连接

我近年在做图像增强时发现，频率域思路跟深度学习里的很多设计是相通的。比如超分辨率模型里的高频细节恢复模块，本质上就是在学习"如何补偿被降采样丢失的高频分量"；图像去噪网络里常用的残差学习，其实也是在学习噪声的高频特征。虽然这些模型没有显式地做FFT，但它们的行为逻辑跟频率域的"分离低频/高频"如出一辙。

如果你想验证一个去噪模型到底学到了什么，把模型的输出减去输入，再对差值做FFT看频谱，你会发现残差的频谱主要集中在高频段——这正是"模型在去除高频噪声"的数值证据。这种验证手段在写论文或汇报时特别有用，能帮你把黑盒模型的行为"可视化"。

7.3 后续还可以继续深入的方向

这篇笔记写了低通、高通、带阻、同态滤波，但频率域滤波的版图远不止这些。还可以继续探索：

• 小波变换：比傅里叶更适合处理"局部"频率特征，在图像压缩和去噪上有更细的粒度控制。
• 拉普拉斯金字塔：在空间域实现多尺度分析，跟频率域滤波的目标类似但计算效率更高。
• 相位恢复与相位信息：很多人只关注幅度谱，实际上相位信息对图像结构的贡献远超幅度，研究相位谱能加深对傅里叶本质的理解。
• 频域滤波与图像融合：多聚焦图像融合、医学影像多模态融合里，频域分解是常用预处理手段。

我在实际项目中最后常用的组合拳是：先做同态滤波均衡光照，再用频域带阻滤除周期纹理，最后回到空间域做一次轻量的双边滤波收尾。这个流程处理扫描文档和历史照片的效果，比单独用任何一步都好得多。

踩过几次坑之后，我的体会是：频率域滤波的入门门槛不在数学公式，而在"频谱图阅读"和"参数直觉"。前者靠多看多对比，把各种图像的频谱图和空间域图像对照着看，看多了自然就能从频谱形态反推图像的周期性结构；后者靠多做实验，每次调参后都把滤波结果和频谱图对照观察，慢慢就知道 D0 该往哪个方向调了。希望这篇笔记能帮你把这条路走顺一点。