使用np.fft.fft2提取二维数组中的隐藏周期性

核心思路 #

你遇到的高亮黄点属于脉冲噪声，这类噪声会在FFT域产生大范围的高频干扰，直接掩盖了周期性信号对应的频域特征。针对批量自动处理需求，推荐以下几种鲁棒性更强的预处理方案：

具体实现方案 #

1. 自适应中值滤波 #

中值滤波对脉冲噪声天然适配，自适应版本能根据局部区域的噪声情况调整窗口大小，既保留周期性图案的细节，又精准去除孤立高亮点：

import numpy as np
from scipy.ndimage import median_filter

def adaptive_median_filter(arr, max_window_size=7):
    # 小窗口初滤明显脉冲点
    filtered = median_filter(arr, size=3)
    # 针对剩余异常点（与局部均值偏差过大区域）扩大窗口处理
    for window_size in range(3, max_window_size+1, 2):
        local_mean = np.convolve(arr, np.ones((window_size, window_size))/window_size**2, mode='same')
        # 筛选与局部均值偏差超3倍标准差的点
        outlier_mask = np.abs(arr - local_mean) > 3 * np.std(arr)
        filtered[outlier_mask] = median_filter(arr, size=window_size)[outlier_mask]
    return filtered

处理后再执行np.fft.fft2(filtered)，可有效抑制高频干扰。

2. 局部分位数替换异常点 #

用局部区域的分位数替代高亮异常点，避免固定阈值截断的生硬问题，适配不同数组的噪声强度：

import numpy as np
from scipy.ndimage import generic_filter

def replace_outliers_with_quantile(arr, global_q=0.99, local_q=0.95):
    # 生成全局异常点掩码：值超过全局99分位数判定为噪声
    outlier_mask = arr > np.quantile(arr, global_q)
    # 对异常点区域用局部95分位数替换（分位数可按需调整）
    filtered = arr.copy()
    def get_local_quantile(window):
        return np.quantile(window, local_q)
    filtered[outlier_mask] = generic_filter(arr, get_local_quantile, size=5)[outlier_mask]
    return filtered

3. 频域直接去干扰 #

如果空域预处理效果有限，可先做FFT，直接去除异常高频分量后逆变换回空域：

import numpy as np

def fft_denoise(arr):
    fft_arr = np.fft.fft2(arr)
    fft_shift = np.fft.fftshift(fft_arr)
    # 筛选FFT幅值超过99分位数的干扰分量并置零
    amp = np.abs(fft_shift)
    threshold = np.quantile(amp, 0.99)
    fft_shift[amp > threshold] = 0
    # 逆变换回空域
    filtered = np.fft.ifft2(np.fft.ifftshift(fft_shift))
    return np.real(filtered)

批量处理提示 #

• 先选取少量样本测试上述方法，确定最优参数（如分位数、窗口大小）
• 将预处理逻辑封装成函数，遍历数组列表自动执行，无需人工干预

内容的提问来源于stack exchange，提问作者goroshek