从 O(n²) 暴力到 O(n·log n) 蝶形运算——OpenCV dft() 源码全链路拆解，附频域去条纹噪声实战

一、你的图像处理为什么需要频域？做图像处理的程序员，十个里面有九个是从空间域起步的。模糊用GaussianBlur()，锐化用拉普拉斯算子，去噪用中值滤波——这些操作直觉上很好理解，每个像素和它的邻居做一轮加权平均就完事了。但总有一天你会碰到这样的场景：一张图片上出现了规律性的条纹干扰，间距固定、方向一致，像是被某种周期信号污染了。你试了高斯模糊，条纹确实淡了一点，但图像整体也糊了；你试了中值滤波，条纹纹丝不动——因为中值滤波擅长对付椒盐噪声，对这种有规律的周期性干扰束手无策。这时候你需要换一个视角来看这张图像。空间域里看到的是像素值的起伏，而频域里看到的是"这张图包含了哪些频率的信号"。那些规律性的条纹，在频谱图上会变成几个刺眼的亮点——精准地挖掉这些亮点，再变换回去，条纹就消失了，而图像的其他细节几乎不受影响。这就是频域滤波的威力：它能精准定位并消除特定频率的干扰，而空间域滤波做不到这么精细的频率选择性。要进入频域，核心工具就是离散傅里叶变换（DFT）。OpenCV 用一个函数cv::dft()封装了整个变换过程，但这个函数背后是 4722 行的dxt.cpp，包含了混合基 FFT、位反转排列、旋转因子预计算、SSE3 SIMD 加速、IPP 硬件加速、OpenCL GPU 加速等一整套工程优化。今天我们就从 DFT 的数学定义出发，一路拆到 OpenCV 源码的每一个关键环节，最后用频域陷波滤波器消除一张图像上的周期性条纹噪声。二、离散傅里叶变换的物理意义——