带垂直周期噪声的圆形图像FFT修复：边界伪影消除方案咨询

问题概述 #

使用FFT结合垂直硬掩码消除圆形图像的垂直周期噪声时，圆形边界处出现明显的水波状振铃效应，严重影响修复效果。以下是复现问题的代码及图像：

复现代码 #

import numpy as np
from skimage import data, color, transform, draw

# 生成垂直周期噪声
vnoise = np.linspace(1, 100, 100).reshape(-1, 1)
vnoise = np.tile(vnoise, (30, 3000))

# 加载并预处理背景图像
astro = data.astronaut()
astro = color.rgb2gray(astro)
astro = transform.resize(astro, (3000, 3000))

# 创建圆形掩码
cen = (1500, 1500)
radii = 1500
circle = np.zeros_like(astro)
rr, cc = draw.disk(cen, radii, shape=astro.shape)
circle[rr, cc] = 1

# 生成含噪声的圆形图像
coeff = 0.01
output = astro + coeff * vnoise
output *= circle

# 现有FFT滤波流程
image = output.copy().astype(np.complex128)
fimg = np.fft.fftshift(np.fft.fft2(image))

# 垂直硬掩码
vf = np.ones_like(image)
center = 1500
vf[:center-10, center-10:center+10] = 0
vf[center+10:, center-10:center+10] = 0

# 逆FFT
fimg = fimg * vf
ifimg = np.fft.ifft2(np.fft.ifftshift(fimg))
ifimg = np.real(ifimg)

相关图像 #

• 无噪声原始图像：
• 含噪声退化图像：
• 滤波后带水波效应的图像：

解决方法 #

1. 圆形区域加窗函数，平滑边界突变 #

振铃效应的根源是圆形掩码内外的像素值阶跃（内部是图像，外部是0）。在FFT前对圆形区域内的图像施加汉宁窗，让边界像素值平滑过渡到0：

# 生成径向汉宁窗
y, x = np.ogrid[:3000, :3000]
dist_from_center = np.sqrt((x - cen[0])**2 + (y - cen[1])**2)
window = np.zeros_like(astro)
# 仅在圆形区域内应用窗函数
window[rr, cc] = np.hanning(2*radii)[radii - dist_from_center[rr, cc].astype(int)]

# 对图像加窗后再做FFT
windowed_img = output * window
# 后续FFT/逆FFT流程不变，输入替换为windowed_img

2. 用软掩码替代硬掩码，避免频率域阶跃 #

硬掩码在频率域是矩形突变，会引入振铃。改用高斯软掩码，让目标频率区域的滤波效果平滑过渡：

# 生成高斯软掩码
vf = np.ones_like(image)
center = 1500
# 垂直方向的高斯衰减曲线
y = np.arange(3000)
gauss = np.exp(-((y - center)**2)/(2*(50)**2))  # 标准差50可根据噪声频率调整
# 仅在中心垂直条带区域应用衰减
vf[:, center-10:center+10] = gauss[:, None]

3. 提取圆形区域单独处理，隔离边界影响 #

把圆形区域裁剪成独立的矩形子图，处理完成后再放回原图像，避免与背景0值的交互：

# 提取圆形区域的最小外接矩形
min_r, max_r = rr.min(), rr.max()
min_c, max_c = cc.min(), cc.max()
crop_img = output[min_r:max_r, min_c:max_c]
crop_circle = circle[min_r:max_r, min_c:max_c]

# 对裁剪子图做FFT滤波
fimg_crop = np.fft.fftshift(np.fft.fft2(crop_img))
center_crop = (max_r - min_r) // 2
vf_crop = np.ones_like(crop_img)
vf_crop[:center_crop-10, center_crop-10:center_crop+10] = 0
vf_crop[center_crop+10:, center_crop-10:center_crop+10] = 0
ifimg_crop = np.real(np.fft.ifft2(np.fft.ifftshift(fimg_crop * vf_crop)))

# 将处理后的子图放回原图像
result = output.copy()
result[min_r:max_r, min_c:max_c] = ifimg_crop * crop_circle

4. 使用Wiener滤波，兼顾噪声抑制与细节保留 #

Wiener滤波是一种自适应滤波方法，能有效减少振铃效应，同时保留图像细节：

from scipy.signal import wiener

# 对圆形区域内的图像应用Wiener滤波
masked_img = output * circle
filtered_img = wiener(masked_img, mysize=5)  # 窗口大小可调整
result = filtered_img * circle

内容的提问来源于stack exchange，提问作者Kevin