OpenCV实现傅里叶变换：从原理到代码详解

陆遥

发布时间：2026-10-13 | 4人浏览过

原创

本文详解OpenCV中傅里叶变换的实现原理与步骤，包括图像尺寸优化、复数存储、幅值计算、对数缩放及象限重分布。提供完整的C++代码示例，展示如何将空域图像转换为频域频谱图，适用于图像分析与特征提取场景。

傅里叶变换的核心作用是将图像从空间域转换至频率域，通过将其分解为正弦和余弦分量来重构图像。基于数学原理，任何函数均可近似表示为无穷多个正弦与余弦函数的叠加，而二维图像的傅里叶变换正是实现这一转换的数学工具。

在上述公式中，f代表空域中的图像像素值，F则代表频域中的对应值。尽管变换结果为复数，无法直接通过单一真实图像或复数图像直观展示，但我们通常关注幅值图像，因为它包含了重建图像几何结构所需的全部关键信息。

为了可视化傅里叶变换的结果，需遵循特定的处理流程。

第一步是对图像进行尺寸扩展以优化性能。离散傅里叶变换（DFT）的计算效率高度依赖图像尺寸，当像素数为2、3或5的倍数时运算最快。因此，通常采用边界填充（Padding）技术，将图像扩展至最佳尺寸以提升处理速度。

第二步是为变换结果的实部和虚部分配存储空间。由于傅里叶变换输出为复数，且频域数据的动态范围远大于空间域，直接使用整型存储会导致精度丢失。因此，需将输入图像转换为浮点类型，并通过添加通道的方式存储复数值，确保数据完整性。

第三步是执行实际的傅里叶变换操作，利用OpenCV库函数完成从空域到频域的数学转换。

第四步是将复数结果转换为幅值。根据公式计算DFT的幅值，该公式反映了频域中各频率成分的强度分布。

第五步是切换到对数刻度进行显示。由于傅里叶系数矩阵的动态范围极大，直接线性缩放会导致高频细节被掩盖（高值变白，低值变黑）。通过引入对数变换，可以将线性刻度转换为对数刻度，从而在屏幕上清晰展示从极小到极大的数值变化。

第六步是剪切与重分布幅度图像。首先去除之前扩展的边界像素，恢复原始尺寸。其次，为了可视化方便，需重新排列频谱图的四个象限，使原点(0,0)移动至图像中心，以便更直观地观察低频和高频成分。

第七步是归一化处理。由于计算得到的幅值图像数值范围可能超出显示器的显示能力，需通过归一化将数值映射到0到1的范围内，从而生成适合人类视觉观察的灰度图像。

以下是基于OpenCV C++接口的具体实现程序。

void _DFT(){
 //1以灰度模式读取原图像并显示
 Mat srcImage = imread("miFan.jpg",0);
 if (!srcImage.data){ cout << "Error\n"; }
 imshow("原图像", srcImage);

 //2将输入图像扩展到最佳尺寸,边界用0补充
 int m = getOptimalDFTSize(srcImage.rows);
 int n = getOptimalDFTSize(srcImage.cols);

 //将添加的像素初始化为0
 Mat padded;
 copyMakeBorder(srcImage, padded, 0, m - srcImage.rows,
  0, n - srcImage.cols, BORDER_CONSTANT, Scalar::all(0));

 //3为傅里叶变换的结果(实部和虚部)分配存储空间
 //将数组组合合并为一个多通道数组
 Mat planes[] = { Mat_<float>(padded), Mat::zeros(padded.size(), CV_32F) };
 Mat complexI;
 merge(planes, 2, complexI);

 //4进行傅里叶变换
 dft(complexI, complexI);

 //5将复数转换为幅值，即=> log(1 + sqrt(Re(DFT(I))^2 + Im(DFT(I))^2))
 //将多通道数组分离为几个单通道数组
 split(complexI, planes);//planes[0] = Re(DFT(I), planes[1] = Im(DFT(I))
 magnitude(planes[0], planes[1], planes[0]);
 Mat magImage = planes[0];

 //6进行对数尺度缩放
 magImage += Scalar::all(1);
 log(magImage, magImage);//求自然对数

 //7剪切和重分布幅度图象限
 //若有奇数行或奇数列，进行频谱剪裁
 magImage = magImage(Rect(0, 0, magImage.cols&-2, magImage.rows&-2));
 //重新排列傅立叶图像中的象限，使得原点位于图像中心 
 int cx = magImage.cols / 2;
 int cy = magImage.rows / 2;
 Mat q0(magImage, Rect(0, 0, cx, cy));
 Mat q1(magImage, Rect(cx, 0, cx, cy));
 Mat q2(magImage, Rect(0,cy,cx,cy));
 Mat q3(magImage, Rect(cx,cy,cx,cy));
 //交换象限(左上与右下进行交换)
 Mat tmp;
 q0.copyTo(tmp);
 q3.copyTo(q0);
 tmp.copyTo(q3);
 //交换象限（右上与左下进行交换）
 q1.copyTo(tmp);
 q2.copyTo(q1);
 tmp.copyTo(q2);

 //8归一化，用0到1的浮点值将矩阵变换为可视的图像格式
 normalize(magImage, magImage, 0, 1, CV_MINMAX);

 //9显示
 imshow("频谱增幅", magImage);

 waitKey();
}