获课：xingkeit.top/8316/

OpenCV傅里叶变换入门，QT实现图像频域滤波移动端部署

图像处理有两条路：空域直接改像素，频域先拆再装。傅里叶变换就是那把拆图像的刀——把一张图分解成不同频率的正弦波叠加，低频管轮廓，高频管细节。理解了这层逻辑，频域滤波就不再是黑箱操作。

傅里叶变换：从像素到频率的翻译

OpenCV的dft()函数把图像从空间域拽进频率域，输出是复数矩阵——实部存余弦分量，虚部存正弦分量。人眼看不到复数，所以通常取幅度谱magnitude = sqrt(Re² + Im²)来观察。幅度谱里，中心是零频分量也就是直流分量，代表整张图的平均亮度；往外扩散的是高频，对应边缘、噪声、纹理。

有个关键步骤容易被忽略：零频移位。dft()默认把零频放在左上角，但频谱分析需要它在中心，所以必须用fftshift()交换象限。逆变换时再用ifftshift()换回去，否则还原的图像会错位。

对数变换也是必修课。幅度谱的数值范围极大，直接显示全是一片白。公式20 * log(1 + magnitude)把动态范围压缩到人眼可辨的区间，同时放大弱频率分量的细节。

频域滤波：在频率空间做减法

空域滤波是卷积核扫图像，频域滤波等价于频谱相乘——这是卷积定理的直接推论。高通滤波保留高频、砍掉低频，图像边缘锐化但整体变暗；低通滤波反过来，保留低频抹掉高频，图像模糊但噪声消失。

OpenCV提供mulSpectrums()直接在频域做乘法。实际操作流程是：原图转频域→构造滤波器掩模（理想高通是中心置零的圆，高斯低通是中心高斯函数）→频域相乘→逆变换回空域。整个过程比空域卷积更直观，因为你能清楚看到"砍掉了哪些频率"。

但有个陷阱：理想滤波器的硬截断会引入吉布斯振铃效应，边缘出现波纹。用高斯函数做渐变过渡，或者用巴特沃斯滤波器，能在截止频率附近平滑衰减，代价是过渡带变宽。工程上，高斯低通加巴特沃斯高通的组合，是最稳的选择。

QT封装：把算法装进GUI

OpenCV负责算，QT负责看。QT的QImage和QPixmap是图像显示的核心，QLabel承载显示，QSlider控制滤波参数。信号槽机制把按钮点击和算法执行解耦：用户拖动截止频率滑块，槽函数实时重建滤波器掩模、执行频域滤波、刷新显示。

QT的跨平台特性在这里价值巨大。同一套代码，Windows调试、Android部署，改的只是编译目标。移动端部署时，OpenCV有Android SDK和NDK两条路。SDK方式简单，直接调Java封装的API；NDK方式性能更高，C++算法零拷贝运行，适合实时滤波场景。

移动端部署有三个坑必须踩一遍才能避：第一，频域变换的图像尺寸必须是2、3、5的倍数，用getOptimalDFTSize()补零到最佳尺寸，否则FFT性能暴跌；第二，移动端内存紧张，复数矩阵要用CV_32F而非CV_64F，精度够用且内存减半；第三，滤波结果要做归一化再转QImage，否则像素值溢出全是白屏。

把这套链路跑通，频域滤波就不再是论文里的公式，而是手机上指尖可调的实时效果。