企业官网建设流程全解析

做图像处理的人大概都有过这种经历：拿到一张图，要么噪声大得像雪花点，要么细节糊成一片，要么边缘根本看不清楚。快捷键“一键美化”在修图软件里很好用，但到了 Python 环境里，你会发现所有所谓特效背后的本质，就是两个字——滤波。无论是均值滤波、低通滤波、高通滤波，还是听起来更高深的逆滤波，它们都在做同一件事：按照某种规则重新组织图像的像素信息。这篇我会把四种常用滤波器在 Python 下的完整实现、运行逻辑和调参思路一次性讲清楚，代码可以直接复制运行，适合刚接触图像处理和计算机视觉的学生，也适合需要在工程里快速选型的技术人员。

先说个题外话。我见过不少初学者一上来就跑去调频率域滤波，结果被傅里叶变换的复数、移位、频谱显示搞得焦头烂额。其实滤波器的核心思想非常朴素：图像可以按“频率”拆成平滑部分和剧烈变化部分，滤波就是决定哪些部分留下、哪些部分削弱。把这层窗户纸捅破，后面的代码就都好理解了。

1. 滤波器到底在滤什么：从频域和空间域说起

1.1 图像里的“频”到底是什么

把一张图片看成二维信号，每个像素就是信号在这个位置的取值。所谓低频，就是像素值变化缓慢的区域，比如天空、干净的墙面、人脸的皮肤；高频则对应像素值剧烈变化的位置，比如物体的轮廓、文字边缘，还有那种随机出现的彩色噪点。很多时候我们说的滤波，其实就是按频率裁剪信息：低通滤波放行低频、压制高频，于是图像变平滑；高通滤波反过来，把低频背景压掉，只剩下边缘和高频细节。

用声音来类比最好理解。一段音乐里的低频是鼓点和贝斯，高频是镲片和齿音。低通滤波就像把高音旋钮拧小，声音变闷；高通滤波就像把低音旋钮拧小，声音变薄但打击感更突出。图像处理里的“噪声”，就是那种刺耳的齿音——你不想让它干扰画面，于是用低通滤波把它压下去。

这里要注意一个概念：频率和我们日常说的“灰度值大小”是两回事。一张整体偏暗的图，低频分量可能很强；一张对比度很低的图，高频分量也可能很少。滤波操作的是“变化率”，而不是亮度本身。

1.2 空间域卷积和频率域乘法：两条技术路线

实现滤波有两条主流路线。

空间域的做法是设计一个小矩阵，也就是卷积核，在图像上按窗口滑动，把窗口内的像素加权求和作为输出点的值。这个过程叫卷积。听起来抽象，但 OpenCV 里cv2.filter2D一行就能完成，后面均值滤波、高斯滤波、Sobel 边缘检测都是这个套路。

频率域的做法则是把图像用二维傅里叶变换（FFT）转到频谱，然后用一个掩膜矩阵和频谱逐点相乘，再逆变换回空间域。两条路线的理论依据是卷积定理：空间域的卷积等价于频率域的乘法。也就是说，你在空间域用一个 5×5 的核去滑动卷积，和你把图像和核都做 FFT、在频域相乘、再 IFFT 回来，数学上是同一件事。

实际工程里怎么选？核比较小（比如 3×3、5×5）时，空间域卷积算得快、内存省，OpenCV 有大量底层优化；需要自定义复杂频率响应（圆形低通、环形带阻、周期性噪声陷波）时，频率域更直观，因为你可以直接“画”一个掩膜出来。后面代码里两条路线都会给出，你可以对比着看效果。

2. 环境准备与通用脚手架：让后面所有代码一次跑通

2.1 依赖安装和两个容易踩的版本坑

先把依赖装齐：

pip install numpy opencv-python matplotlib

如果要做逆滤波，理论上加一个 scipy 也行，但本文用 numpy 自带的 FFT 就够，不强求。版本上建议 numpy 不低于 1.21，opencv-python 不低于 4.5，否则某些 API 行为会有差异。

两个常见的坑先提醒一下。

第一个是路径问题。Windows 上cv2.imread读取包含中文或特殊字符的路径经常返回None，不是因为文件不存在，而是 OpenCV 内部对非 ASCII 路径支持有问题。解决办法是用cv2.imdecode配合np.fromfile读文件字节流，后面代码里我会直接封装成函数。

第二个是颜色通道顺序。cv2.imread读进来的是 BGR 顺序，而 matplotlib 显示时默认按 RGB 解释。直接显示会看到一张蓝红颠倒的图。所以读取后要记得cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。

2.2 图像读写、显示与测试图生成

下面这套脚手架我几乎每个图像处理任务都会用，先保存下来：

import numpy as np import cv2 import matplotlib.pyplot as plt def load_image(path): # 用字节流读取，解决中文路径读不到图的问题 img = cv2.imdecode(np.fromfile(path, dtype=np.uint8), cv2.IMREAD_COLOR) if img is None: raise ValueError("图片读取失败，请检查路径：" + path) return cv2.cvtColor(img, cv2.COLOR_BGR2RGB) def show_images(titles, images, cmap=None): n = len(images) plt.figure(figsize=(5 * n, 5)) for i in range(n): plt.subplot(1, n, i + 1) if cmap is None: plt.imshow(images[i]) else: plt.imshow(images[i], cmap=cmap) plt.title(titles[i]) plt.axis('off') plt.tight_layout() plt.show() def save_image(img, path): # 保存时也要绕开中文路径问题，且必须转回 BGR ext = path.rsplit('.', 1)[-1] img_bgr = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) ok, buf = cv2.imencode('.' + ext, img_bgr) if ok: buf.tofile(path)

很多教程默认你手上有一张现成的照片，但读者未必有合适素材。我习惯用代码现场生成一张测试图，包含平滑渐变、强边缘、圆形轮廓和高斯噪声，这样每次滤波效果一目了然：

def make_test_image(size=256): # 干净图：平滑渐变 + 矩形强边缘 + 圆形轮廓 img = np.full((size, size), 180, dtype=np.uint8) for r in range(size): img[r, :] = 180 + int(60 * r / size) # 从上到下的渐变 img[70:170, 50:200] = 40 # 高对比矩形 cv2.circle(img, (180, 170), 35, 230, -1) # 圆形 # 加噪声版本：高斯噪声，标准差 15 noise = np.random.normal(0, 15, (size, size)) img_noisy = np.clip(img.astype(np.float32) + noise, 0, 255) return img, img_noisy.astype(np.uint8) img_clean, img_noisy = make_test_image() show_images(["干净图", "加噪声图"], [img_clean, img_noisy], cmap='gray')

生成结果里，渐变部分对应低频，矩形和圆形的边界对应高频，随机噪声则是无处不在的高频干扰。后面所有滤波器都可以拿这张图做体检。

3. 均值滤波：最朴素的空间域平滑

3.1 原理、十行代码与噪声抑制数学

均值滤波是理解所有空间域滤波的起点。它的逻辑很简单：输出图像上每个点的值，取它周围 k×k 邻域内所有像素的平均值。核长这样：

def mean_filter(img, ksize=3): kernel = np.ones((ksize, ksize), dtype=np.float32) / (ksize * ksize) return cv2.filter2D(img, -1, kernel)

如果你不想手写核，OpenCV 也提供了封装好的cv2.blur(img, (ksize, ksize))，效果一模一样。cv2.filter2D的好处是通用，后面自定义高通核、锐化核都能用同一个函数。

均值滤波为什么能去噪？假设噪声是独立同分布的零均值随机变量，标准差为 σ。对 N 个像素求平均后，噪声标准差变成 σ/√N。核越大，N 越大，噪声抑制越明显。比如 3×3 核把标准差缩到原来的 1/3，5×5 核缩到 1/5。这是硬数学，不是玄学。

但代价同样明显：均值滤波把窗口内的细节也一起平均掉了。边缘是像素值的突变，一旦突变被周围像素“稀释”，轮廓就会变糊。核越大，图越“脏”，但边缘也越模糊。这是所有低通类滤波器的基本矛盾：干净和平滑，你得选一个。

3.2 核大小和边界策略怎么取舍

核大小的选择没有标准答案，要看你噪声的水平和细节的重要程度。我建议按这个节奏试：

另外一个容易被忽略的参数是边界处理策略。卷积核滑到图像边缘时，窗口会超出图像范围，OpenCV 需要决定这些“不存在”的像素用什么值填充。默认的BORDER_REFLECT会把边缘像素镜像过来，效果自然；如果你用BORDER_CONSTANT填 0，图像四周会出现一圈黑边，均值滤波后还会把黑边“渗”进边缘内部几像素。我在工程里基本只碰BORDER_REFLECT和BORDER_REPLICATE，后者是把边缘像素复制出去，在后续高斯模糊时对边缘细节更友好。

均值滤波还有一个明确不适用的场景：椒盐噪声。那种黑白点噪声用均值滤波只会把黑点和白点抹成一片灰色污渍，正确做法是用中值滤波cv2.medianBlur，它取邻域中值，能完整剔除极端值。记住这个区分，面试和实操都经常考。

4. 低通滤波：从高斯模糊到频率域设计

4.1 高斯模糊：为什么它比均值滤波更“聪明”

均值滤波对窗口内每个像素一视同仁，这其实不太合理——离中心越远的像素，和中心点的相关性越弱，凭什么权重一样？高斯模糊就解决了这个问题：权重由二维高斯函数决定，中心大、边缘小，更符合自然图像的统计特性。

OpenCV 里一句话搞定：

def gaussian_lowpass(img, ksize=5, sigma=1.5): return cv2.GaussianBlur(img, (ksize, ksize), sigma)

两个参数：ksize是核尺寸，sigma是高斯函数的标准差。sigma 越大，高斯分布越“胖”，中心权重和边缘权重的差距越小，模糊程度越强。经验公式是核尺寸至少取2 * round(3 * sigma) + 1，比如 sigma=1.5 时核至少 9×9，否则截断误差会让高斯形状失真。代码里我给 ksize=5 是为了演示，实际用的时候别这么抠。

同样的模糊程度下，高斯模糊比均值滤波保留更多边缘结构，振铃也更少。所以在不知道用什么滤波器的场合，默认上高斯模糊通常不会错。

4.2 频率域理想低通滤波的完整实现

空间域滤波需要设计核，频率域滤波需要设计掩膜。理想低通滤波器的频率域实现思路非常直白：图像做 FFT 后，频谱中心是低频，四周是高频；我画一个半径为 D0 的圆，圆内频率全保留，圆外频率全清零，再逆变换回来。

def ideal_lowpass(img, d0=40): f = np.fft.fft2(img) # 二维 FFT fshift = np.fft.fftshift(f) # 把低频移到频谱中心 rows, cols = img.shape crow, ccol = rows // 2, cols // 2 yy, xx = np.mgrid[0:rows, 0:cols] dist = np.sqrt((xx - ccol) ** 2 + (yy - crow) ** 2) # 每个频率点到中心的距离 mask = np.zeros((rows, cols), dtype=np.float32) mask[dist <= d0] = 1 # 圆内低频放行 fshift_filtered = fshift * mask f_filtered = np.fft.ifftshift(fshift_filtered) result = np.real(np.fft.ifft2(f_filtered)) return np.clip(result, 0, 255).astype(np.uint8) img_lp_ideal = ideal_lowpass(img_noisy, d0=40) show_images(["噪声图", "理想低通 D0=40"], [img_noisy, img_lp_ideal], cmap='gray')

这段代码里有两个关键动作：fftshift和ifftshift。FFT 输出的低频在四个角，fftshift把它搬到中心，这样掩膜就可以用“到中心的距离”来定义；逆变换前必须用ifftshift把频谱恢复原位。漏掉任何一步，结果都会是一张四分五裂的图。

理想低通有一个肉眼可见的问题：振铃。因为掩膜边缘是“一刀切”，频谱上出现突变，逆变换后在图像强边缘附近会形成一圈一圈的明暗振荡，像水波纹。这就是吉布斯现象，频率域滤波最经典的坑。

4.3 Butterworth低通：用“软边界”消除振铃

为了解决理想低通的硬边界问题，工程上更常用 Butterworth 低通滤波器。它的掩膜不是非 0 即 1，而是平滑过渡：

def butterworth_lowpass(img, d0=40, n=2): f = np.fft.fft2(img) fshift = np.fft.fftshift(f) rows, cols = img.shape crow, ccol = rows // 2, cols // 2 yy, xx = np.mgrid[0:rows, 0:cols] dist = np.sqrt((xx - ccol) ** 2 + (yy - crow) ** 2) mask = 1.0 / (1.0 + (dist / d0) ** (2 * n)) fshift_filtered = fshift * mask f_filtered = np.fft.ifftshift(fshift_filtered) result = np.real(np.fft.ifft2(f_filtered)) return np.clip(result, 0, 255).astype(np.uint8) img_lp_butter = butterworth_lowpass(img_noisy, d0=40, n=2) show_images(["噪声图", "Butterworth 低通 D0=40 n=2"], [img_noisy, img_lp_butter], cmap='gray')

d0是截止频率，n是阶数。n 越大，掩膜过渡带越窄，越接近理想低通，振铃越明显；n 取 1 到 3 之间最常用，既能有效滤除高频噪声，又不会把边缘“滤”出波纹。调参时先固定 d0，从小到大试 n，观察边缘是否有振铃，这是频率域滤波最实用的调参路径。

5. 高通滤波：把边缘从背景里抠出来

5.1 空间域高通：Sobel、Scharr 与 Laplacian

高通滤波的核心是提取像素值的“变化率”，也就是梯度。空间域的高通核本质上是差分算子，最经典的是 Sobel、Scharr 和 Laplacian。

Sobel 算子分水平和垂直两个方向，分别提取横边缘和竖边缘。OpenCV 用法：

def spatial_highpass(img): sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) # 水平方向梯度 sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) # 垂直方向梯度 grad = cv2.magnitude(sobel_x, sobel_y) # 合并两个方向 return np.clip(grad, 0, 255).astype(np.uint8) img_hp_spatial = spatial_highpass(img_clean) show_images(["原图", "Sobel 梯度幅值"], [img_clean, img_hp_spatial], cmap='gray')

注意输出类型用了cv2.CV_64F而不是默认的uint8。因为梯度有正有负，如果用 8 位无符号整数保存，负数会被截断成 0，负梯度信息全部丢失，边缘会变成“半边”。Sobel 核大小选ksize=3时实际用的是 Sobel，选ksize=-1时用的是更精确的 Scharr 算子，对弱边缘响应更强。

Laplacian 是二阶导数算子，对边缘位置的响应是“过零”，在频域上是一个高通圆对称滤波器。它比 Sobel 对噪声更敏感，所以实际使用前通常先做一次高斯平滑。

5.2 频率域高通与反锐化掩膜

频率域高通实现非常简单：低通掩膜是“圆内放行”，高通掩膜就是它的补集——圆内清零，圆外放行。

def frequency_highpass(img, d0=30): f = np.fft.fft2(img) fshift = np.fft.fftshift(f) rows, cols = img.shape crow, ccol = rows // 2, cols // 2 yy, xx = np.mgrid[0:rows, 0:cols] dist = np.sqrt((xx - ccol) ** 2 + (yy - crow) ** 2) mask = np.ones((rows, cols), dtype=np.float32) mask[dist <= d0] = 0 # 低频挡掉，高频保留 fshift_filtered = fshift * mask f_filtered = np.fft.ifftshift(fshift_filtered) result = np.real(np.fft.ifft2(f_filtered)) result = np.abs(result) result = cv2.normalize(result, None, 0, 255, cv2.NORM_MINMAX) return result.astype(np.uint8)

频率域高通出来的图背景接近黑色，只有边缘亮着。这种“边缘图”直接看挺酷，但工程上更常用的是把它叠加回原图做锐化，也就是反锐化掩膜（Unsharp Mask）：

def unsharp_mask(img, sigma=2.0, alpha=1.5): blurred = cv2.GaussianBlur(img, (0, 0), sigma) return cv2.addWeighted(img, 1 + alpha, blurred, -alpha, 0) img_sharp = unsharp_mask(img_clean, sigma=2.0, alpha=1.5) show_images(["原图", "反锐化掩膜锐化"], [img_clean, img_sharp], cmap='gray')

原理很简单：原图减去低通结果得到高频细节，再把高频细节乘以一个增益加回原图。alpha 控制锐化强度，一般在 0.5 到 2.0 之间，太大边缘会出现白色光晕。

5.3 高通滤波的三个翻车现场

高通滤波是我见过翻车最多的操作，三个经典错误先说清楚。

第一个错误是忽略负数。Sobel、Laplacian 的梯度值有正有负，直接转uint8会导致负数溢出成另一个大数，图像上出现雪花般的高亮闪烁。正确做法是用np.abs取绝对值，或者用cv2.normalize做对比度拉伸，再转类型。

第二个错误是拿 JPEG 压缩图直接做高通。JPEG 的块效应（blocking artifact）本身就是高频干扰，高通滤波会把这些块状网格当成“边缘”放大，结果整张图像蒙了一层棋盘格。解决办法是先做轻微高斯模糊，或者干脆用无压缩的 PNG 作为输入。

第三个错误是通道处理不当。彩色图像的高通，正确做法是转到 YUV 或 Lab 色彩空间，只对亮度通道做高通，再合并回彩色通道。如果对 RGB 三个通道分别做高通再叠回来，色彩边缘容易出现难看的色散。

6. 逆滤波与图像复原：从“看不清”到“尽力修”

6.1 图像退化模型与天真的逆滤波

前面的滤波都是“改善”图像，逆滤波则是“还原”图像：假设图像已经退化了，能不能通过数学方法把退化过程倒过来？

先建立退化模型。假设拍摄到的一张模糊图g，是清晰图f与点扩散函数（PSF）h卷积的结果，还叠加了噪声n：

g = f ⊛ h + n

在频率域，卷积变乘法：

G = F × H + N

那么理论上，只要把模糊核h的频谱H找到，用除法就能还原清晰图：

F_hat = G / H

这就是天真的逆滤波。我把代码模拟一下你就知道问题出在哪：

def simulate_blur(img, ksize=9, sigma=3.0): # 用高斯核模拟镜头失焦模糊 psf = cv2.getGaussianKernel(ksize, sigma) psf = psf @ psf.T psf = psf / psf.sum() # 归一化，保证直流分量不变 blurred = cv2.filter2D(img, -1, psf) return blurred, psf def naive_inverse_filter(img, psf, eps=1e-6): h = np.fft.fft2(psf, img.shape) # PSF 自动补零到图像尺寸 g = np.fft.fft2(img) h_abs = np.abs(h) h_safe = h.copy() h_safe[h_abs < eps] = eps # 防止除零 f = g / h_safe result = np.real(np.fft.ifft2(f)) return np.clip(result, 0, 255).astype(np.uint8) blurred, psf = simulate_blur(img_clean) recovered_naive = naive_inverse_filter(blurred, psf) show_images(["模糊图", "天真逆滤波结果"], [blurred, recovered_naive], cmap='gray')

跑出来的结果通常是：模糊图是干净的，但逆滤波复原图变成了一堆雪花点，隐约能看到轮廓。原因有两个：第一，H在高频区域趋近于 0，除以一个很小的数等于把高频噪声放大了无数倍；第二，实际图像里必然有噪声N，而天真逆滤波完全忽略了这个噪声项。换句话说，只要图像里有一丁点噪声，逆滤波就会把它变成灾难。

6.2 正则化逆滤波：让除法变得可控

解决方案是在除法里加一个正则项，最经典的是维纳滤波的简化版。目标函数变成“既要还原清晰图，又要抑制噪声”，最终解为：

F_hat = conj(H) × G / (|H|² + K)

其中K是一个正的常数，代表噪声和信号功率的比值。当K为 0 时，退化成天真逆滤波；K越大，噪声抑制越强，但图像会重新变糊。代码实现：

def regularized_inverse_filter(img, psf, k=0.01): h = np.fft.fft2(psf, img.shape) h_shift = np.fft.fftshift(h) h_conj = np.conj(h_shift) h_abs2 = np.abs(h_shift) ** 2 wiener = h_conj / (h_abs2 + k) # 正则化逆滤波核 g = np.fft.fft2(img) g_shift = np.fft.fftshift(g) f_shift = g_shift * wiener f = np.fft.ifftshift(f_shift) result = np.real(np.fft.ifft2(f)) return np.clip(result, 0, 255).astype(np.uint8) recovered_reg = regularized_inverse_filter(blurred, psf, k=0.01) show_images(["模糊图", "正则化逆滤波 K=0.01"], [blurred, recovered_reg], cmap='gray')

K的调参很有讲究。以我的经验，K从 0.001 开始，按 10 倍步长往上试：K 太小，恢复出来的图充满颗粒感；K 太大，图是干净了但边缘也被磨平了。对于这个模拟用例，0.01 附近通常能兼顾去模糊和抑噪。

如果你想更严谨，可以把K换成逐频率变化的分数形式，那就是完整的维纳滤波。但在工程里，固定K的简化版往往已经够用，调试成本还低很多。

6.3 逆滤波的适用边界：什么情况才值得用

说句实话，逆滤波在工业项目里用得不算多，因为它有三个硬性前提。

第一，你得很精确地知道模糊核h，也就是点扩散函数。镜头失焦的 PSF 近似高斯，运动模糊的 PSF 是一条直线，方向是运动方向，长度是曝光时间内位移的像素数。估错一点点，复原结果就会带上周期性条纹。

第二，噪声必须很低。逆滤波对噪声的放大是指数级的，如果你的输入图本身已经明显有噪点，得先做一轮低通滤波把噪声压下去，再进行逆滤波。这看起来有点矛盾，但实际就是这么干的。

第三，模糊核不能有太多零值。比如运动模糊的频谱里有很多规则排列的零值，天真除法会在这些频率点直接爆炸。正则项K存在的意义之一就是给这些分母补一个底数，让除法不至于崩掉。

如果模糊核未知，那就进入盲反卷积的领域了，问题难度会陡增，我建议先把有核的逆滤波玩明白再碰盲复原。

7. 四种滤波器放在一起比一比：选型思路与工程细节

7.1 原理、效果与参数对照表

把前面四种滤波器放一起，用一张表概括：

这张表最重要的信息是：没有任何一种滤波器是万能的。均值和高斯负责“变干净”，高通负责“找边缘”，逆滤波负责“修退化”，它们是不同层次的任务。

7.2 拿到一张图先问三个问题

我在实际项目中选型，从来不是拿着滤波器挨个试，而是先问三个问题。

第一个问题：噪声类型是什么？如果噪声像细密颗粒，优先高斯低通；如果是黑白椒盐点，用中值滤波；如果是周期性条纹，需要频率域陷波滤波。噪声类型判断错了，滤波效果直接对半砍。

第二个问题：目标是去噪、增强还是复原？去噪用低通，边缘检测用高通，锐化用高通叠加原图，失焦修复用逆滤波。目标决定了工具方向，而不是反过来。

第三个问题：模糊核是否已知？如果已知 PSF，并且噪声可控，逆滤波是正解；如果 PSF 未知，就别硬上逆滤波，先考虑增强对比度、锐化等“治标”的手段。

以我的经验，百分之八十的图像预处理任务，用一个高斯低通加上一个反锐化掩膜就能解决，根本轮不到频率域和逆滤波。频率域的价值在于处理特殊噪声和自定义响应，逆滤波的价值在于针对性复原。把基础空间域滤波用熟，比背一大堆高级算法更实用。

7.3 容易被忽略的保存、彩色图与性能细节

最后补几个工程上容易踩的细节。

保存图像前必须确认数据类型是uint8且数值范围在 0 到 255。cv2.imwrite遇到float数组会静默失败，或者把超过 255 的值截断成 255，你不会看到任何报错。逆滤波、高通滤波的输出尤其容易出这种问题，统一用np.clip(result, 0, 255).astype(np.uint8)收尾。

彩色图像滤波时，不建议对 RGB 三个通道分开做低通或高通。正确做法是转到 YUV 色彩空间，只对 Y（亮度）通道滤波，再转回 RGB，这样能避免颜色边缘出现“渗色”。代码很简单，cv2.cvtColor一行转过去，滤波完再转回来。

性能方面，小核（3×3 到 7×7）直接用cv2.GaussianBlur、cv2.filter2D，OpenCV 底层有 SIMD 优化，速度快过自己手写 numpy 循环几个数量级。频率域滤波的优势体现在大核或全局掩膜场景——当核尺寸超过 15×15，频率域的 FFT 复杂度反而更优。记住一个原则：能向量化就不要写像素级 for 循环，Python 的循环慢到你怀疑人生。

调试频率域代码时有个小技巧：把fftshift之后的频谱用np.log(1 + np.abs(F))显示。原始频谱的直流分量远大于其他频率，直接imshow会看到中间一个白点、四周全黑，什么都分析不了。取对数压缩动态范围后，你才能看清高频分布的细节。

最后说点我自己的习惯。我早年做图像处理，恨不得每个任务都上频率域、上维纳滤波，仿佛这样才够高级。后来被现实教育过几次：大部分生产场景里的图像问题，噪声不重，目标也就是“看着干净一点”，这时候高斯模糊加轻量锐化最稳，跑得最快，调试成本最低。逆滤波不是不能用，而是要先确认 PSF 和噪声水平，否则复原出来的图比模糊原图还吓人。如果你也是刚入坑，我的建议是：先把均值、高斯低通、Sobel 高通这三个空间域方案玩熟，再上手频率域；每一步都打印中间结果，亲眼看到频谱长什么样，你对滤波器的理解会比背十个公式都深。