基于Python的图像FFT峰值自动检测与抑制技术问询

整体思路 #

图像中的直线/周期性划痕在频域会表现为高亮的峰值簇（亮线），通过FFT变换将图像转到频域，自动定位这些峰值并置零，再通过逆FFT还原即可消除划痕噪声。核心流程：图像加载→FFT变换→频域峰值检测→峰值置零→逆FFT还原。

1. 依赖库导入 #

先准备好需要的工具库：

import numpy as np
import cv2
from scipy.ndimage import maximum_filter
import matplotlib.pyplot as plt

2. 图像加载与FFT变换 #

先把图像转为灰度图（彩色图需转灰度再处理），再做FFT并将频域中心移到图像中心：

# 加载图像并转为灰度格式
img = cv2.imread('your_scratch_image.jpg', 0)
rows, cols = img.shape

# FFT变换+移频到中心
f = np.fft.fft2(img)
f_shift = np.fft.fftshift(f)

# 生成幅度谱（仅用于可视化，实际处理可跳过）
magnitude_spectrum = 20 * np.log(np.abs(f_shift))

3. 自动识别频域峰值 #

这里提供两种实用的峰值检测方案，根据你的划痕类型选择：

方案一：阈值筛选+连通域分析（适合明显的长条划痕） #

针对划痕在频域形成的连续亮线，用二值化+形态学处理过滤噪点，再提取连通域中心作为峰值坐标：

# 取幅度谱前0.5%的亮区作为峰值候选（阈值可根据图像调整）
threshold = np.percentile(magnitude_spectrum, 99.5)
binary = (magnitude_spectrum > threshold).astype(np.uint8)

# 形态学开运算+膨胀：去除小噪点，保留连续的峰值线
kernel = np.ones((3,3), np.uint8)
binary_clean = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
binary_clean = cv2.morphologyEx(binary_clean, cv2.MORPH_DILATE, kernel)

# 提取连通域中心坐标
contours, _ = cv2.findContours(binary_clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
peak_coords = []
for cnt in contours:
    M = cv2.moments(cnt)
    if M["m00"] != 0:
        cX = int(M["m10"] / M["m00"])
        cY = int(M["m01"] / M["m00"])
        peak_coords.append((cX, cY))

方案二：局部最大值检测（适合分散的小点状峰值） #

用局部最大值过滤器定位峰值，再结合阈值筛选有效点：

# 用5x5窗口找局部最大值（窗口大小根据峰值尺寸调整）
local_max = maximum_filter(magnitude_spectrum, size=5) == magnitude_spectrum
# 结合阈值筛选有效峰值
peaks = local_max & (magnitude_spectrum > threshold)
# 提取所有峰值坐标
peak_coords = np.argwhere(peaks)

4. 峰值置零与逆FFT还原 #

注意：频域是共轭对称的，必须同时置零对称位置的峰值，否则会引入伪影

# 获取频域中心坐标
crow, ccol = rows // 2, cols // 2

# 遍历所有峰值，置零当前位置+对称位置
for (x, y) in peak_coords:
    f_shift[x, y] = 0
    # 计算对称位置坐标
    sym_x = 2 * crow - x
    sym_y = 2 * ccol - y
    f_shift[sym_x, sym_y] = 0

# 逆移频+逆FFT还原图像
f_ishift = np.fft.ifftshift(f_shift)
img_restored = np.fft.ifft2(f_ishift)
# 取实部并转为8位图像（消除计算产生的微小虚部）
img_restored = np.abs(img_restored).astype(np.uint8)

5. 结果可视化（可选） #

可以对比原始图、频域谱、处理后的频域谱和还原图：

plt.figure(figsize=(12,8))
plt.subplot(221), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('FFT Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(20*np.log(np.abs(f_shift)), cmap='gray')
plt.title('FFT After Peak Zeroing'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(img_restored, cmap='gray')
plt.title('Restored Image'), plt.xticks([]), plt.yticks([])
plt.show()

关键调参提示 #

• 阈值调整：百分位数阈值（如99.5）可根据图像划痕的明显程度修改，避免误删有效频域信息
• 窗口大小：局部最大值的窗口尺寸要匹配划痕频域线的宽度，过大漏峰，过小会多检噪点
• 对称置零：必须处理共轭对称点，否则逆FFT会产生严重伪影

内容的提问来源于stack exchange，提问作者coldaf_876