使用np.fft.ifft2对图像逆傅里叶变换结果不符，请求技术协助

问题根源分析 #

你的代码在傅里叶变换/逆变换的移位流程、滤波逻辑上存在几个关键错误，导致逆变换结果不符合预期：

1. 正向傅里叶变换的移位顺序错误
   你先对原图做了np.fft.ifftshift，这完全没必要——ifftshift是用来还原fftshift的移位操作，直接对原图做fft2后再用fftshift将低频分量移到中心才是正确流程。多余的ifftshift会让频谱位置完全错乱，后续滤波的区域自然不对。

2. 逆傅里叶变换的流程错误
   逆变换时，你在ifft2之后又做了fftshift，这会把已经还原的图像再次移位，导致最终结果偏移。正确的逆变换只需要先对滤波后的频谱做ifftshift，再执行ifft2即可。

3. 滤波逻辑的效率与坐标问题
   嵌套循环遍历每个像素效率极低，而且你使用的直线方程没有考虑频谱中心的偏移（512x512图像的频谱中心是(256,256)），导致滤波区域没有对准目标频段。另外，直接取real不如取abs稳定——逆FFT的结果是复数，微小的数值误差可能带来虚部，取幅度能避免异常。

修正后的代码 #

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

path = "C:/Users/cecil/OneDrive/Bureau/00_TP_M2TSI/TP Traitement Image/BE1 PDF/BE1 PDF/champs.png"

# 读取并转灰度图
img = plt.imread(path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

plt.set_cmap("gray")
plt.subplot(131)
plt.imshow(img)
plt.axis("off")

# 正确的正向傅里叶变换流程
ft = np.fft.fft2(img)  # 对灰度图做FFT
ft = np.fft.fftshift(ft)  # 将低频移到中心，便于观察和滤波
plt.subplot(132)
plt.imshow(np.log(abs(ft)))
plt.axis("off")

# 生成滤波掩码：高效替代嵌套循环
rows, cols = ft.shape
center_row, center_col = rows//2, cols//2
# 创建网格坐标
y, x = np.mgrid[0:rows, 0:cols]
# 将坐标转换为以中心为原点的相对坐标
rel_x = x - center_col
rel_y = y - center_row
# 定义目标频段的边界（这里调整方程以对准中心偏移后的坐标）
y1 = 0.77 * rel_x + 55
y2 = 0.77 * rel_x + 65
# 生成掩码：仅保留在两个边界之间的区域
mask = (rel_y > y1) & (rel_y < y2)
# 应用掩码：保留目标频段，其余置0
ft_filtered = ft * mask

# 正确的逆傅里叶变换流程
ift = np.fft.ifftshift(ft_filtered)  # 将频谱移回原位
ift = np.fft.ifft2(ift)  # 逆FFT
ift = np.abs(ift)  # 取幅度作为图像强度

plt.subplot(133)
plt.imshow(ift)
plt.axis("off")
plt.show()

额外说明 #

• 如果你需要避免图像失真，可以同时添加对称的共轭频段掩码（比如y1 = -0.77*rel_x -65，y2 = -0.77*rel_x -55），因为傅里叶频谱是共轭对称的，只保留单边可能导致逆变换后出现伪影。
• 用np.mgrid生成网格坐标创建掩码，比嵌套循环效率高得多，尤其适合大尺寸图像。

内容的提问来源于stack exchange，提问作者Lalastro