如何在Python中用NumPy进行傅里叶变换与频域滤波-Python教程-PHP中文网

numpy的fft结果“不对称”是因为默认零频在开头、正负频率顺序不符合物理直觉；需用fftshift居中零频、滤波后用ifftshift对齐再ifft，否则相位错乱、滤波失效。

如何在python中用numpy进行傅里叶变换与频域滤波

NumPy 的 numpy.fft 模块能做傅里叶变换，但直接用它实现频域滤波容易出错——不是频谱顺序搞反，就是实部虚部没对齐，或者滤波后忘记逆变换归一化。关键在于理解 fft 输出的频率排列规则和缩放约定。

为什么 `fft` 结果看起来“不对称”？

NumPy 的 fft 默认按“零频在开头”的方式排列：索引 0 是直流分量，接着是正频率（1 到 N//2），然后是负频率（N//2+1 到 N−1）。这和物理直觉不符，也容易导致滤波器设计错位。

用 fftshift 把零频移到中心，才符合常规频谱图习惯
但注意：fftshift 只是重排数组，不改变数值；滤波操作必须在 fftshift 后做，否则滤波器掩模位置会错
滤波完必须配对使用 ifftshift，再调 ifft，否则相位会乱

如何正确实现低通滤波（以 1D 信号为例）？

核心是构造一个与 fft 输出同长的布尔掩模，并确保它和频谱对齐。别直接用 abs(freq) 算——因为未 <code>fftshift 的 freq 数组不是对称的。

先用 fft 得到频域结果 F
用 fftshift(F) 得到中心对齐的频谱 F_shifted
生成对应频率轴：f = fftshift(fftfreq(n, d=dt))，其中 dt 是采样间隔
构造掩模：mask = abs(f) ，然后 <code>F_filtered = F_shifted * mask
还原时：先 ifftshift(F_filtered)，再 ifft，最后取 .real（因数值误差可能带极小虚部）

示例片段：

huaweicloud-python-sdk-helper

华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。

下载

import numpy as np
t = np.linspace(0, 1, 1000, endpoint=False)
x = np.sin(2*np.pi*5*t) + 0.5*np.random.normal(size=t.shape)
X = np.fft.fft(x)
Xs = np.fft.fftshift(X)
f = np.fft.fftshift(np.fft.fftfreq(len(x), d=t[1]-t[0]))
mask = np.abs(f) <h3>2D 图像滤波时最容易漏掉的三件事</h3><p>图像频域滤波不是把 <code>fft2</code> 结果简单乘个圆盘掩模就完事。常见翻车点集中在维度、缩放和边界上。</p>

fft2 输出是 (H, W)，但 fftfreq 默认生成 1D 频率轴，需用 meshgrid 构造二维频率网格
滤波器必须和 fftshift(fft2(img)) 形状严格一致；直接用 np.zeros_like 再填圆盘，不如用 np.hypot(fx[:, None], fy[None, :]) 算距离更稳
图像通常含大量低频直流分量，不做 log(1 + abs(...)) 显示会全黑；但显示用的 log 不影响滤波计算本身

为什么滤波后信号幅度变大或出现明显振铃？

这不是 bug，是理想矩形滤波器在时域对应 sinc 函数卷积导致的 Gibbs 现象。NumPy 本身不提供窗函数平滑过渡，得自己加。

避免硬截断：把 mask = abs(f) 换成 <code>mask = np.exp(-((abs(f)-cutoff)/sigma)**2)（高斯过渡）
或用 scipy.signal.windows.butter 设计 IIR 滤波器再转频域，但这就超出 NumPy 范畴了
另外检查是否漏了 ifft 的归一化：NumPy 的 ifft 默认除以 N，但若手动缩放过频谱，可能需额外调整

真正麻烦的是多维滤波中各轴采样率不同，此时 fftfreq 的 d 参数要分别传，稍一混淆，截止频率就偏好几倍。