Python中傅里叶变换生成空白图像问题求助

嘿，我看到你遇到的问题了——这其实是两个新手常踩的误区，咱们一步步来理顺：

核心问题1：重构时用错了频谱数据 #

你现在的代码里，把取了对数的幅度谱（magnitude_spectrum）拿去做逆变换了，这完全不对！傅里叶逆变换需要的是包含相位信息的原始复数频谱，幅度谱只保留了频率的强度，丢失了相位，用它逆变换肯定得不到原始图像，甚至会出现全白的异常情况。

正确的逆变换流程应该是：对原始的频域移位结果fshift做逆移位，再进行逆傅里叶变换，最后取绝对值得到重构图像。

核心问题2：幅度谱显示的异常值处理 #

计算20*np.log(np.abs(fshift))时，如果fshift里有0值，np.log(0)会得到-inf，当用imshow显示时，这些无穷大值会被当成最大值，导致整个图像显示为白色。咱们需要把这些异常值裁剪掉，或者替换成合理的数值。

修正后的代码 #

import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import numpy as np

imgloc = "C:\\Users\\AnacondaCodes\\cameraman.png"
img = mpimg.imread(imgloc, 0)

# 正向傅里叶变换
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)

# 处理幅度谱，避免log(0)导致的-inf问题
magnitude_spectrum = 20 * np.log(np.abs(fshift))
# 裁剪异常值，把-inf替换为0，同时限制数值范围
magnitude_spectrum = np.clip(magnitude_spectrum, 0, np.max(magnitude_spectrum))

# 正确的逆变换流程：使用原始的复数频谱fshift
f_ishift = np.fft.ifftshift(fshift)  # 对原始移位频谱做逆移位
img_back = np.fft.ifft2(f_ishift)    # 执行逆傅里叶变换
img_back = np.abs(img_back)          # 取绝对值得到实数图像

# 排版显示图像
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])

plt.subplot(132), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])

plt.subplot(133), plt.imshow(img_back, cmap='gray')
plt.title('Reconstructed Image'), plt.xticks([]), plt.yticks([])

plt.show()

额外小提示 #

• 如果你想验证重构的准确性，可以计算原始图像和重构图像的均方误差（MSE），正常情况下误差应该非常小（几乎为0，因为傅里叶变换是无损的，仅存在微小浮点精度误差）。
• 幅度谱的缩放系数20是行业常用的对数缩放值，用来把动态范围极大的频谱压缩到人眼可分辨的范围，你也可以根据自己的图像调整这个数值。

内容的提问来源于stack exchange，提问作者A Khan