Python实战：5分钟用OpenCV实现图像傅里叶变换（附频谱分析技巧）

最新推荐文章于 2026-07-12 10:16:07 发布

原创

最新推荐文章于 2026-07-12 10:16:07 发布 · 157 阅读

Python实战：5分钟用OpenCV实现图像傅里叶变换（附频谱分析技巧）

当你第一次看到图像的频域表示时，可能会觉得那只是一堆杂乱无章的亮点。但就像音乐家能从乐谱中听出旋律一样，计算机视觉工程师能从这些看似混乱的频谱中解读出图像的本质特征。本文将带你用Python和OpenCV，在短短5分钟内完成从时域到频域的魔法转换。

1. 准备工作与环境配置

在开始之前，确保你的Python环境已经安装了必要的库。推荐使用Python 3.8或更高版本，这是目前大多数计算机视觉库支持最稳定的版本。

pip install opencv-python numpy matplotlib

这三个库构成了我们工作的基础：

OpenCV：计算机视觉的核心库
NumPy：高效的数值计算
Matplotlib：数据可视化

提示：如果你使用Jupyter Notebook进行实验，可以在代码单元格中添加%matplotlib inline魔法命令，使图像直接显示在笔记本中。

2. 图像傅里叶变换基础实现

傅里叶变换的核心思想是将图像从空间域转换到频率域。在OpenCV中，这个过程只需要几行代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像并转换为灰度
img = cv2.imread('your_image.jpg', 0)

# 执行傅里叶变换
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dft_shift = np.fft.fftshift(dft)

# 计算幅度谱
magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]))

# 显示结果
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

这段代码完成了几个关键步骤：