从音乐到图像：用傅里叶变换理解边缘检测的底层逻辑（可视化Demo）

最新推荐文章于 2026-08-20 09:35:53 发布

原创

最新推荐文章于 2026-08-20 09:35:53 发布 · 940 阅读

收录于

当前文章被以下社区和专栏收录：

从音乐到图像：用傅里叶变换理解边缘检测的底层逻辑（可视化Demo）

1. 频域思维的跨界启示

想象你正在听一首交响乐，小提琴的高音和低音提琴的深沉共同构成了丰富的听觉体验。这种将复杂声音分解为不同频率成分的思维方式，正是傅里叶变换的核心——任何复杂信号都可以表示为不同频率正弦波的叠加。

当我们将这种思维迁移到图像处理领域，会发现惊人的相似性：

低频成分对应图像中缓慢变化的区域（如平滑的蓝天背景）
高频成分则对应快速变化的区域（如物体的锐利边缘）
频谱中心亮点代表图像的整体亮度（类似音乐中的基频）

import numpy as np
import matplotlib.pyplot as plt

# 生成示例图像：白色矩形在黑色背景上
image = np.zeros((256, 256))
image[100:150, 50:200] = 1

# 傅里叶变换及频谱可视化
fft = np.fft.fft2(image)
fft_shift = np.fft.fftshift(fft)
magnitude = 20 * np.log(np.abs(fft_shift))

plt.figure(figsize=(12, 6))
plt.subplot(121), plt.imshow(image, cmap='gray')
plt.title('空间域图像'), plt.axis('off')
plt.subplot(122), plt.imshow(magnitude, cmap='gray')
plt.title('频域表示'), plt.axis('off')
plt.show()