本文还有配套的精品资源，点击获取

简介：高斯低通滤波是一种基于傅里叶变换的图像平滑去噪技术，广泛应用于图像处理领域。该方法利用高斯函数作为滤波核，通过频率域变换对图像进行滤波处理，能够有效抑制高频噪声并保留图像整体结构。本资料包含完整的GLPF实现代码、测试图像及结果对比，适合用于深入学习高斯低通滤波原理与实际编程应用，帮助掌握图像频率域处理与低通滤波技术。

1. 图像频率域处理基础

图像的频率域处理是一种从频域角度分析和处理图像的方法，其核心思想是将图像从空间域转换到频率域，从而更直观地操作图像的频率成分。在频率域中，图像表现为不同频率的正弦和余弦波叠加的结果，低频成分对应图像的平滑区域，高频成分则对应边缘和细节信息。

相比空域处理，频域处理能更精确地定位和调整特定频率成分，适用于去噪、增强、压缩等多种图像处理任务。通过本章的学习，读者将掌握频率域的基本概念、频域与空域之间的联系，以及频率域处理的整体流程，为后续理解高斯低通滤波器（GLPF）奠定坚实的理论基础。

2. 傅里叶变换与图像频域转换

傅里叶变换是图像频率域处理的数学基础，它将图像从空间域（即像素值在空间中的分布）转换到频率域，从而揭示图像中不同频率成分的分布特性。本章将从傅里叶变换的基本原理出发，逐步深入讲解图像在频域中的表示方式，并通过编程工具（如OpenCV和NumPy）演示如何进行二维傅里叶变换及其逆变换，以验证变换的正确性和可视化频谱特征。

2.1 傅里叶变换的基本原理

傅里叶变换的核心思想是：任何复杂的信号都可以表示为多个正弦或余弦函数的叠加。这一理论为图像处理提供了从频域角度分析图像特性的工具。

2.1.1 傅里叶级数与傅里叶变换的关系

傅里叶级数适用于周期函数的展开，它可以将一个周期信号表示为一系列离散频率的正弦波之和：

f(t) = a_0 + \sum_{n=1}^{\infty} \left( a_n \cos(n\omega_0 t) + b_n \sin(n\omega_0 t) \right)

其中，$ a_0, a_n, b_n $ 是傅里叶系数，$ \omega_0 $ 是基频。

而傅里叶变换是对非周期信号的推广，它将一个非周期函数变换为连续频率谱：

F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t} dt

对于图像处理，我们使用的是 二维离散傅里叶变换（DFT） ，其定义如下：

F(u,v) = \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x,y) e^{-j2\pi (\frac{ux}{M} + \frac{vy}{N})}

其中，$ f(x,y) $ 是图像在空间域的像素值，$ F(u,v) $ 是其在频率域的表示。

表1：傅里叶级数与傅里叶变换的比较

特征	傅里叶级数	傅里叶变换
输入信号类型	周期信号	非周期信号
输出频谱	离散频率谱	连续频率谱
应用场景	简谐波分析	图像频谱分析、滤波处理

2.1.2 离散傅里叶变换（DFT）在图像处理中的应用

图像可以视为一个二维离散信号，每个像素点的灰度值构成一个二维矩阵。通过DFT可以将这个矩阵转换为复数形式的频率矩阵，其中每个点 $ F(u,v) $ 包含了频率信息的幅度和相位。

DFT的物理意义：

• 幅度谱 ：反映不同频率成分的强度，低频集中在图像中心，高频分布在边缘。
• 相位谱 ：决定图像的结构和细节，即使只保留相位信息，也能大致还原图像的结构。

优点：

• 可用于图像滤波、去噪、压缩等操作。
• 支持频域滤波器设计，如低通、高通滤波器。
• 通过快速傅里叶变换（FFT）实现高效计算。

示例代码（使用NumPy实现二维DFT）：

import numpy as np
import cv2
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图
img = cv2.imread('lena.png', 0)

# 进行二维傅里叶变换
f = np.fft.fft2(img)

# 移动零频分量到图像中心
fshift = np.fft.fftshift(f)

# 获取幅度谱并取对数以增强可视化效果
magnitude_spectrum = 20 * np.log(np.abs(fshift))

# 显示图像与频谱
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])

plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])

plt.show()

代码分析：

• np.fft.fft2() ：执行二维傅里叶变换。
• np.fft.fftshift() ：将频谱中心移到图像中心，便于观察低频集中区域。
• np.abs() ：取幅度。
• np.log() ：增强对比度，使高频信息更清晰可见。

2.2 图像的频域表示

图像在频率域中的表示形式主要包括 幅度谱（Magnitude Spectrum） 和 相位谱（Phase Spectrum） 。这两者共同决定了图像的频域特性。

2.2.1 频率谱与相位谱的含义

• 频率谱（Magnitude Spectrum） ：表示图像中各频率成分的强度分布。低频区域通常集中在图像中心，对应图像的整体结构；高频区域分布在图像边缘，代表图像的细节和边缘信息。
• 相位谱（Phase Spectrum） ：决定了图像中各频率成分的相对位置，对图像的结构完整性至关重要。即使只保留相位信息，也能还原图像的轮廓。

实验验证：仅保留相位谱重构图像

# 获取频谱的幅度和相位
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude = np.abs(fshift)
phase = np.angle(fshift)

# 构造仅保留相位信息的频谱
zero_magnitude = np.zeros_like(magnitude)
new_fshift = zero_magnitude * np.exp(1j * phase)

# 逆变换还原图像
new_f = np.fft.ifftshift(new_fshift)
recon_img = np.fft.ifft2(new_f)
recon_img = np.abs(recon_img)

# 显示结果
plt.imshow(recon_img, cmap='gray')
plt.title('Reconstructed Image with Phase Only')
plt.show()

代码分析：
- 通过 np.angle() 获取相位信息。
- 使用 np.exp(1j * phase) 构造复数频谱。
- 通过逆变换还原图像，观察仅保留相位信息的效果。

2.2.2 频域图像的可视化方法

图像在频域中的可视化主要包括：

• 幅度谱图 ：显示各频率成分的强度分布。
• 相位谱图 ：显示各频率成分的相位信息。
• 频谱中心化图像 ：将零频分量移到图像中心，便于分析。

使用OpenCV绘制频谱图：

# 使用OpenCV实现傅里叶变换
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)

# 频谱中心化
dft_shift = np.fft.fftshift(dft)

# 计算幅度谱
magnitude = cv2.magnitude(dft_shift[:, :, 0], dft_shift[:, :, 1])
magnitude_log = np.log(1 + magnitude)

# 显示频谱图
plt.imshow(magnitude_log, cmap='gray')
plt.title('Magnitude Spectrum (OpenCV)')
plt.colorbar()
plt.show()

代码分析：
- cv2.dft() ：OpenCV中的DFT函数。
- cv2.magnitude() ：计算复数的幅度。
- np.log(1 + magnitude) ：增强对比度，避免log(0)错误。

2.3 傅里叶变换的实现与验证

为了验证傅里叶变换的正确性，通常会进行 正变换与逆变换的闭环测试 ，即先对图像进行傅里叶变换，再进行逆变换恢复图像，并比较恢复图像与原始图像的差异。

2.3.1 使用OpenCV或NumPy进行二维傅里叶变换

两种方式各有优势：

• NumPy ：语法简洁，适合教学和算法验证。
• OpenCV ：接口更高效，适合工程实现。

NumPy 实现：

f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
img_back = np.fft.ifft2(np.fft.ifftshift(fshift))
img_back = np.abs(img_back)

plt.imshow(img_back, cmap='gray')
plt.title('Reconstructed Image (NumPy)')
plt.show()

OpenCV 实现：

dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
idft = cv2.idft(dft)
img_back = cv2.magnitude(idft[:, :, 0], idft[:, :, 1])

plt.imshow(img_back, cmap='gray')
plt.title('Reconstructed Image (OpenCV)')
plt.show()

对比分析：
两者结果基本一致，但OpenCV的实现效率更高，适合图像处理项目。

2.3.2 变换结果的频谱中心化与逆变换验证

频谱中心化是将频谱的零频分量移动到图像中心，使得低频集中在图像中心、高频分布在边缘。这是为了更直观地分析图像的频域结构。

频谱中心化流程图（mermaid）：

graph TD
    A[输入图像] --> B[傅里叶变换]
    B --> C[频谱中心化]
    C --> D[幅度谱计算]
    C --> E[相位谱计算]
    D --> F[频谱可视化]
    E --> G[图像重建]
    F --> H[输出频谱图像]
    G --> I[输出重建图像]

逆变换验证误差分析：

我们可以通过计算重建图像与原图的均方误差（MSE）来评估逆变换的准确性。

mse = np.mean((img.astype("float") - img_back.astype("float")) ** 2)
print(f"Mean Squared Error: {mse}")

误差分析：
- 若误差接近于0，说明变换与逆变换过程准确。
- 误差较大时，可能由于浮点精度损失或频谱截断等原因引起。

总结

本章系统讲解了傅里叶变换的基本原理、图像在频率域的表示方式以及其在图像处理中的实现方法。通过理论公式与代码实现的结合，读者不仅理解了DFT的数学基础，还掌握了使用Python（NumPy与OpenCV）进行图像频域变换与逆变换的具体操作。下一章将在此基础上深入探讨高斯函数作为滤波核的特性，为后续的高斯低通滤波器（GLPF）设计奠定基础。

3. 高斯函数作为滤波核的特性

在图像处理中，滤波器的设计直接影响图像处理的效果，尤其是在图像平滑、去噪和边缘控制方面。 高斯函数 因其良好的数学性质与图像处理需求的高度契合，被广泛用作滤波核（Kernel）。本章将深入探讨高斯函数的数学形式及其特性，分析其在图像处理中的优势，并通过参数分析揭示其尺度因子对滤波效果的影响。

3.1 高斯函数的数学形式与性质

高斯函数是一种在概率论、信号处理、图像处理中广泛应用的函数形式，因其在时域和频域都具有良好的局部化特性而受到青睐。在图像处理中，通常使用的是二维高斯函数作为卷积核。

3.1.1 一维与二维高斯函数的定义

一维高斯函数：

一维高斯函数的形式如下：

g(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{x^2}{2\sigma^2}}

其中：
- $ x $：输入变量（位置）
- $ \sigma $：标准差，控制高斯函数的宽度（尺度）

二维高斯函数：

二维高斯函数是图像处理中常用的滤波核形式，其表达式为：

g(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}}

其中：
- $ x, y $：图像空间坐标
- $ \sigma $：标准差，控制高斯核的平滑范围

由于高斯函数具有可分离性，二维高斯可以分解为两个一维高斯函数的乘积，从而降低计算复杂度：

g(x, y) = g(x) \cdot g(y)

3.1.2 高斯函数的平滑性和衰减特性

高斯函数的核心特性包括：
- 平滑性 ：高斯函数在中心处取最大值，随着距离中心点的增加而逐渐衰减，呈现出对称的钟形曲线。这种特性使其在图像滤波中能有效平滑图像中的噪声，同时保留边缘信息。
- 衰减性 ：随着距离增加，高斯函数的值呈指数衰减，因此对图像中远处像素的影响迅速减弱，这使得高斯滤波器具有局部化处理能力。
- 归一化 ：高斯函数的积分值为1，因此其作为滤波核使用时不会改变图像的整体亮度。

例如，当我们在图像上应用高斯滤波时，每个像素的输出值是其邻域像素加权平均的结果，权重由高斯分布决定。这种加权方式避免了简单均值滤波器导致的边缘模糊问题。

示例代码：绘制一维高斯函数

import numpy as np
import matplotlib.pyplot as plt

def gaussian_1d(x, sigma):
    return (1 / (sigma * np.sqrt(2 * np.pi))) * np.exp(-x**2 / (2 * sigma**2))

x = np.linspace(-5, 5, 1000)
sigma_values = [0.5, 1.0, 2.0]

plt.figure(figsize=(10, 6))
for sigma in sigma_values:
    plt.plot(x, gaussian_1d(x, sigma), label=f'σ={sigma}')
plt.title("1D Gaussian Function with Different σ")
plt.xlabel("x")
plt.ylabel("g(x)")
plt.legend()
plt.grid(True)
plt.show()

逐行解释：
- gaussian_1d 函数实现一维高斯函数的数学表达式。
- x 定义了函数的输入范围（-5到5）。
- sigma_values 是不同标准差下的高斯核。
- 使用 matplotlib 绘制不同 σ 值下的高斯曲线，直观展示其随 σ 增大而变宽的趋势。

3.2 高斯函数在图像处理中的优势

在图像处理中，高斯滤波器因其良好的边缘保留能力和噪声抑制能力，成为最常用的平滑滤波器之一。与其他滤波器（如均值滤波器）相比，高斯滤波器具有更优的图像处理效果。

3.2.1 对边缘模糊的控制能力

图像的边缘信息对于视觉感知至关重要。然而，传统均值滤波器在去除噪声的同时，容易导致图像边缘模糊。高斯滤波器则通过加权平均的方式，使图像中心像素的权重最大，周围像素的权重随距离递减，从而更好地保留边缘信息。

高斯函数的指数衰减特性使其在图像滤波过程中对边缘的影响最小，从而避免图像过度模糊。

对比图示：

graph TD
    A[原始图像] --> B[均值滤波]
    A --> C[高斯滤波]
    B --> D[边缘模糊]
    C --> E[边缘清晰]

3.2.2 与其它滤波核（如均值滤波）的对比

特性	均值滤波	高斯滤波
权重分配	所有邻域像素权重相同	邻域像素权重随距离呈高斯分布
噪声抑制	有效但边缘模糊	更优，保留边缘
计算复杂度	低	稍高
频率响应	低通特性不理想	平滑过渡的低通响应
应用场景	快速去噪	精确边缘保留去噪

从表中可以看出，虽然均值滤波在计算上更简单，但高斯滤波在图像质量上的表现更优，尤其在边缘保持方面。

示例代码：比较均值滤波与高斯滤波效果

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('edge_test.jpg', 0)

# 均值滤波
mean_filtered = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_filtered = cv2.GaussianBlur(img, (5, 5), 0)

# 显示图像
plt.figure(figsize=(12, 6))
plt.subplot(1, 3, 1), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(1, 3, 2), plt.imshow(mean_filtered, cmap='gray'), plt.title('Mean Filtered')
plt.subplot(1, 3, 3), plt.imshow(gaussian_filtered, cmap='gray'), plt.title('Gaussian Filtered')
plt.tight_layout()
plt.show()

逻辑分析：
- cv2.blur() 实现均值滤波，所有像素权重相同。
- cv2.GaussianBlur() 实现高斯滤波，权重按高斯分布。
- 图像显示结果中可以观察到高斯滤波后边缘更加清晰，而均值滤波后边缘较模糊。

3.3 高斯核的尺度参数对滤波效果的影响

高斯滤波器的性能高度依赖于其尺度参数 σ（标准差）。σ 决定了滤波核的宽度和图像平滑程度。选择合适的 σ 值是图像处理中一个重要的优化问题。

3.3.1 标准差 σ 对滤波范围的控制

标准差 σ 决定了高斯核的“扩散”程度。σ 越大，滤波核覆盖的像素范围越广，图像的平滑程度越高，但可能导致细节丢失；σ 越小，滤波核集中于中心像素，图像细节保留更好，但去噪能力下降。

示例：不同 σ 值下的高斯滤波效果对比

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('noisy_image.jpg', 0)

gaussian_1 = cv2.GaussianBlur(img, (5, 5), 0.5)
gaussian_2 = cv2.GaussianBlur(img, (5, 5), 1.0)
gaussian_3 = cv2.GaussianBlur(img, (5, 5), 2.0)

plt.figure(figsize=(12, 6))
plt.subplot(1, 4, 1), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(1, 4, 2), plt.imshow(gaussian_1, cmap='gray'), plt.title('σ=0.5')
plt.subplot(1, 4, 3), plt.imshow(gaussian_2, cmap='gray'), plt.title('σ=1.0')
plt.subplot(1, 4, 4), plt.imshow(gaussian_3, cmap='gray'), plt.title('σ=2.0')
plt.tight_layout()
plt.show()

执行逻辑说明：
- 分别使用不同的 σ 值进行高斯滤波。
- σ 值越大，图像越模糊，细节越少；σ 值越小，保留细节更多，但可能保留噪声。

3.3.2 多尺度分析在图像处理中的应用

在图像处理中， 多尺度分析 （Multi-scale Analysis）是一种重要的方法，它通过在不同尺度下观察图像，提取不同层次的信息。高斯函数由于其良好的尺度特性，成为多尺度分析的基础工具。

例如，在 尺度空间理论 （Scale Space Theory）中，图像在不同尺度下的表示可通过高斯核与原图像卷积获得：

L(x, y; \sigma) = G(x, y; \sigma) * I(x, y)

其中：
- $ L $：尺度空间图像
- $ G $：二维高斯函数
- $ I $：原始图像
- $ \sigma $：尺度参数

多尺度图像示例流程图：

graph LR
    A[原始图像] --> B[尺度σ1]
    A --> C[尺度σ2]
    A --> D[尺度σ3]
    B --> E[Gaussian Blur]
    C --> E
    D --> E
    E --> F[多尺度图像集合]

多尺度图像集合可用于特征提取、边缘检测、图像分割等高级任务。

本章深入解析了高斯函数的数学形式、图像处理中的优势以及尺度参数对其滤波效果的影响。通过代码示例与图表对比，展示了高斯滤波器在保留边缘、控制模糊、多尺度分析等方面的优势。这为后续章节中高斯低通滤波器（GLPF）的设计与应用奠定了坚实的理论与实践基础。

4. 高斯低通滤波器（GLPF）设计原理

在图像处理中，滤波器的设计是实现图像增强、去噪、边缘检测等任务的核心环节。高斯低通滤波器（Gaussian Low-Pass Filter, GLPF）因其在频域中具有良好的频率响应特性，广泛应用于图像的平滑与去噪处理。本章将从低通滤波器的基本概念出发，逐步深入讲解GLPF的设计原理，包括其频域构建方法与数学推导过程，并对其性能进行分析。

4.1 低通滤波器的基本概念

低通滤波器（Low-Pass Filter, LPF）是一种允许低频信号通过、抑制高频信号的滤波器。在图像处理中，低频分量通常代表图像的平滑区域和整体结构，而高频分量则与边缘、噪声等细节信息密切相关。

4.1.1 低通滤波器在频域中的作用

图像在频域中的表现形式由傅里叶变换得到。频域中的每一个点代表图像中某一频率成分的幅值和相位。低通滤波器的作用是通过乘以一个特定的频率响应函数 $ H(u, v) $，将图像频谱中高频部分的幅值降低甚至完全抑制，从而保留图像的低频成分。

其数学表达如下：

F’(u, v) = F(u, v) \cdot H(u, v)

其中：

• $ F(u, v) $：原始图像的频域表示；
• $ H(u, v) $：滤波器的频率响应函数；
• $ F’(u, v) $：滤波后的频域图像。

在图像中应用低通滤波后，图像会变得模糊，因为高频信息（如边缘和噪声）被削弱，而低频信息（如颜色渐变和平滑区域）得以保留。

4.1.2 高频分量与图像细节的关系

为了更直观地理解低通滤波器的作用，我们可以观察图像的频域图谱。图像的频域图谱中，中心区域代表低频成分，而远离中心的区域则代表高频成分。例如，边缘、锐利的轮廓和噪声会集中在高频区域。

图像特征	对应频域成分	被低通滤波器处理后的结果
平滑区域	低频	保留
边缘	高频	抑制
噪声	高频	抑制
纹理细节	中高频	部分抑制

因此，低通滤波器在图像处理中的作用可以总结为： 保留图像的整体结构和平滑区域，去除图像中的边缘、噪声和纹理细节 。

4.2 GLPF的频域设计方法

高斯低通滤波器是低通滤波器中的一种，其核心在于使用高斯函数作为滤波器的频率响应函数。与理想低通滤波器或巴特沃斯滤波器相比，GLPF在频域中具有更平滑的过渡特性，能够避免振铃效应（ringing effect）的出现。

4.2.1 滤波器传递函数的构造

GLPF的频率响应函数定义如下：

H(u, v) = e^{ -\frac{D^2(u,v)}{2\sigma^2} }

其中：

• $ D(u, v) $：频域中点 $(u, v)$ 到频谱中心的距离；
• $ \sigma $：控制高斯函数宽度的标准差，决定滤波器的截止频率；
• $ H(u, v) $：频率响应值，取值范围为 $[0, 1]$。

该函数的特点是中心区域的响应值接近1，表示保留低频成分；而远离中心的区域响应值快速下降，表示抑制高频成分。

下面是一个使用Python和NumPy生成GLPF频率响应矩阵的示例代码：

import numpy as np
import cv2
import matplotlib.pyplot as plt

def gaussian_lowpass_filter(shape, sigma):
    rows, cols = shape
    center_row, center_col = rows // 2, cols // 2
    H = np.zeros((rows, cols))
    for u in range(rows):
        for v in range(cols):
            D = np.sqrt((u - center_row) ** 2 + (v - center_col) ** 2)
            H[u, v] = np.exp(-D**2 / (2 * sigma**2))
    return H

# 示例：生成一个512x512的GLPF响应矩阵
H = gaussian_lowpass_filter((512, 512), sigma=30)

plt.imshow(H, cmap='gray')
plt.title("Gaussian Low-Pass Filter (σ=30)")
plt.colorbar()
plt.show()

代码逻辑分析：

• 第1~2行 ：导入必要的库；
• 第4~10行 ：定义 gaussian_lowpass_filter 函数，输入图像尺寸和标准差σ；
• 第6~7行 ：计算图像中心点；
• 第8~10行 ：遍历每个像素点，计算其到中心点的距离 $ D $，并代入高斯函数计算响应值；
• 第13~14行 ：调用函数生成一个512x512大小、σ=30的滤波器矩阵；
• 第16~18行 ：使用Matplotlib可视化滤波器矩阵，显示结果为灰度图。

生成的滤波器响应图如图所示：中心亮表示响应值高，即允许通过；边缘暗表示响应值低，即被抑制。

4.2.2 截止频率的设定与影响

在GLPF中，并没有一个明确的“截止频率”，而是通过标准差σ来控制滤波器对频率的衰减程度。σ越大，滤波器的通带范围越宽，保留的高频成分越多；σ越小，通带越窄，高频成分被抑制得越彻底。

下表展示了不同σ值对应的滤波效果预期：

σ值	通带范围	图像平滑程度	高频保留程度
10	窄	强	弱
30	中等	中等	中等
50	宽	弱	强

可以通过调整σ值来平衡图像的平滑程度与细节保留之间的关系。

4.3 GLPF的数学推导与性能分析

为了深入理解GLPF的设计原理，我们需要从数学角度进行推导，并分析其频率响应特性与滤波性能。

4.3.1 频率响应函数的计算

在频域中，GLPF的频率响应函数为：

H(u, v) = e^{ -\frac{D^2(u,v)}{2\sigma^2} }

其中 $ D(u, v) $ 为点 $(u, v)$ 到频谱中心的距离，通常定义为：

D(u, v) = \sqrt{(u - M/2)^2 + (v - N/2)^2}

其中 $ M $ 和 $ N $ 分别为图像的高度和宽度。

该函数在频域中形成一个二维高斯分布，中心对称，响应值随着距离增加呈指数衰减。

为了更直观地展示频率响应函数的形状，我们可以绘制其三维图：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def plot_3d_filter(H):
    rows, cols = H.shape
    u = np.arange(rows)
    v = np.arange(cols)
    u, v = np.meshgrid(v, u)
    fig = plt.figure()
    ax = fig.add_subplot(111, projection='3d')
    surf = ax.plot_surface(u, v, H, cmap='viridis')
    ax.set_title("3D Plot of Gaussian Low-Pass Filter")
    plt.show()

# 使用前一节生成的H矩阵
plot_3d_filter(H)

代码逻辑分析：

• 第1~3行 ：导入必要的库；
• 第5~13行 ：定义 plot_3d_filter 函数，绘制三维滤波器图；
• 第16行 ：调用函数绘制前一节生成的滤波器矩阵的三维图。

该图展示了GLPF在频域中的三维响应形状，中心为高响应值，向边缘递减，呈现出典型的高斯钟形曲线。

4.3.2 滤波器的平滑性能与噪声抑制能力

GLPF的平滑性能来源于其在空域中对应的高斯卷积核。根据卷积定理，频域中的乘法等价于空域中的卷积操作。因此，GLPF在空域中等价于使用一个二维高斯核对图像进行卷积。

其空域核形式为：

h(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2 + y^2}{2\sigma^2}}

该核在图像上进行滑动窗口卷积操作，能够有效地平滑图像，去除高频噪声。

GLPF的噪声抑制能力对比分析：

滤波器类型	对高斯噪声的抑制能力	对椒盐噪声的抑制能力	边缘保留能力
均值滤波器	强	弱	弱
中值滤波器	弱	强	中等
高斯低通滤波器	中等	中等	强

可以看到，GLPF在抑制高斯噪声方面表现良好，且在边缘保留方面优于均值滤波器。但其对于椒盐噪声的抑制效果不如中值滤波器。

综上所述，GLPF是一种在频域中设计的低通滤波器，具有良好的平滑特性和过渡特性，能够有效去除图像中的高频噪声，同时保留图像的整体结构。通过合理设定σ参数，可以在图像平滑与细节保留之间取得平衡。下一章我们将深入讲解如何将GLPF应用于实际图像的频域滤波流程中。

5. 频率域滤波操作流程

频率域滤波是一种在频域中对图像进行增强和去噪的有效手段。与空域滤波相比，频域滤波通过将图像转换到频率域后，对图像的频率成分进行有选择性地增强或抑制，从而实现更精细的图像处理。本章将详细讲解图像在频率域中进行滤波操作的整体流程，包括空域到频域的转换、滤波核的设计与对齐、点对点乘法操作、以及滤波结果的频谱分析与可视化等关键步骤。通过这些流程的详细解析，读者将能够掌握如何在实际工程中高效地实现频域滤波。

5.1 图像频域滤波的整体流程

5.1.1 从空域到频域的转换

在图像处理中，空域滤波直接在图像像素空间中进行操作，而频域滤波则需要先将图像从空域转换到频域。这个过程通常通过 傅里叶变换（Fourier Transform） 来完成。对于数字图像，常用的是 二维离散傅里叶变换（2D DFT） 。

傅里叶变换的基本思想是将图像分解为不同频率的正弦波成分，从而将图像的空域表示转换为频域表示。图像的频域表示通常包含 幅度谱（Magnitude Spectrum） 和 相位谱（Phase Spectrum） 两个部分。其中，幅度谱反映了图像中各频率分量的强度，而相位谱则决定了图像的空间结构。

以下是使用Python和OpenCV进行图像频域转换的基本代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像并转换为灰度图
img = cv2.imread('input_image.jpg', 0)

# 进行傅里叶变换
f = np.fft.fft2(img)

# 将低频分量移到中心
fshift = np.fft.fftshift(f)

# 计算幅度谱
magnitude_spectrum = 20 * np.log(np.abs(fshift))

# 显示原始图像和频域图像
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

逐行解读分析：

1. cv2.imread('input_image.jpg', 0) ：读取图像并转换为灰度图，以便进行傅里叶变换。
2. np.fft.fft2(img) ：对图像进行二维傅里叶变换，得到频域表示。
3. np.fft.fftshift(f) ：将频域图像的零频率分量移动到图像中心，便于可视化。
4. 20 * np.log(np.abs(fshift)) ：计算幅度谱，对数变换是为了增强显示效果。
5. plt.imshow(...) ：分别显示原始图像和频域图像。

通过以上代码，我们实现了图像从空域到频域的转换，为后续的滤波操作奠定了基础。

5.1.2 滤波操作的步骤概述

频率域滤波的基本流程可以分为以下几个步骤：

1. 图像的频域转换 ：使用傅里叶变换将图像从空域转换到频域。
2. 设计滤波器核 ：根据应用需求设计滤波器，如低通滤波器（GLPF）、高通滤波器（GHPF）等。
3. 滤波核的频域对齐 ：确保滤波核与图像的频域尺寸一致。
4. 频域滤波操作 ：在频域中对图像和滤波核进行点对点乘法操作。
5. 逆傅里叶变换 ：将滤波后的频域图像转换回空域，获得滤波后的图像。

下图展示了一个完整的频域滤波流程的 Mermaid流程图 ：

graph TD
    A[原始图像] --> B[傅里叶变换]
    B --> C[频域图像]
    C --> D[设计滤波器]
    D --> E[滤波核与频域图像对齐]
    E --> F[频域点对点乘法]
    F --> G[逆傅里叶变换]
    G --> H[滤波后的图像]

通过上述流程，可以系统地理解频域滤波的操作逻辑。在实际操作中，每个步骤都需要注意细节，尤其是滤波核的设计和对齐，以及点对点乘法的实现方式。

5.2 滤波核的频域对齐与乘法操作

5.2.1 滤波核与图像频谱的尺寸匹配

在频域滤波中，滤波核也必须与图像的频域尺寸一致，否则无法进行点对点乘法操作。图像的频域表示通常是复数形式，因此滤波核也需要是相同尺寸的实数矩阵。

以高斯低通滤波器为例，其传递函数如下：

H(u,v) = e^{-\frac{(u-M/2)^2 + (v-N/2)^2}{2\sigma^2}}

其中，$ M \times N $ 是图像的尺寸，$ \sigma $ 是高斯函数的标准差，控制滤波的平滑程度。

以下是生成高斯低通滤波器核的代码示例：

def gaussian_lowpass_filter(shape, sigma):
    M, N = shape
    u = np.arange(M)
    v = np.arange(N)
    u, v = np.meshgrid(u, v, indexing='ij')
    D = ((u - M//2)**2 + (v - N//2)**2)
    H = np.exp(-D / (2 * sigma**2))
    return H

参数说明：
- shape ：输入图像的尺寸，通常是图像频域表示的大小。
- sigma ：控制滤波器的平滑程度，σ越大，滤波范围越广。
- u, v ：频域坐标。
- D ：当前频率点到图像中心的距离平方。
- H ：生成的高斯低通滤波器核。

该函数返回一个与图像频域尺寸一致的高斯滤波器核，用于后续的点对点乘法操作。

5.2.2 点对点乘法的实现方式

在频域滤波中，滤波操作的本质是将图像的频域表示与滤波器核进行点对点乘法。具体来说，就是将频域图像的每一个点与滤波器核对应位置的值相乘。

以下是频域点对点乘法的实现代码：

# 假设 fshift 是频域图像，H 是滤波器核
filtered_spectrum = fshift * H

# 显示滤波后的频域图像
filtered_magnitude = 20 * np.log(np.abs(filtered_spectrum))
plt.imshow(filtered_magnitude, cmap='gray')
plt.title('Filtered Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

逻辑分析：
- fshift * H ：进行点对点乘法操作，保留低频部分，抑制高频部分。
- np.abs(filtered_spectrum) ：获取滤波后图像的幅度谱。
- 20 * np.log(...) ：对数变换增强显示效果。

下表总结了频域滤波中不同步骤的作用：

步骤	作用
傅里叶变换	将图像从空域转换到频域
滤波器设计	生成合适的滤波器核
滤波核对齐	保证滤波核与图像尺寸一致
点对点乘法	在频域中进行滤波操作
逆变换	将滤波后的图像还原为空域图像

通过上述操作，图像的高频噪声被有效抑制，达到平滑图像的目的。

5.3 滤波后的频域图像处理

5.3.1 滤波结果的频谱分析

滤波后的频域图像可以通过观察其幅度谱来分析滤波效果。高频分量通常对应图像的边缘和噪声，而低频分量对应图像的整体结构和背景。

以下是对比原始图像频谱与滤波后频谱的代码：

plt.subplot(121), plt.imshow(magnitude_spectrum, cmap='gray')
plt.title('Original Spectrum'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(filtered_magnitude, cmap='gray')
plt.title('Filtered Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

分析：
- 左侧图像显示原始图像的频谱，可以看到中心区域亮度较高，表示低频成分较多。
- 右侧图像显示滤波后的频谱，中心区域更亮，说明低频成分被保留，而高频成分被抑制。

5.3.2 滤波图像的可视化与解释

为了验证滤波效果，我们可以将滤波后的频域图像通过 逆傅里叶变换 还原到空域，并与原始图像进行比较。

以下是完整的频域滤波与图像还原流程：

# 逆傅里叶变换
f_ishift = np.fft.ifftshift(filtered_spectrum)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)

# 显示原始图像与滤波后图像
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Filtered Image'), plt.xticks([]), plt.yticks([])
plt.show()

逐行解读分析：
1. np.fft.ifftshift(filtered_spectrum) ：将频域图像移回原始位置。
2. np.fft.ifft2(...) ：进行逆傅里叶变换，还原图像。
3. np.abs(...) ：取复数结果的实部作为图像像素值。
4. plt.imshow(...) ：显示原始图像和滤波后的图像。

通过上述操作，我们可以清晰地看到图像在频域滤波后的效果：边缘更加平滑，噪声被有效抑制，整体图像质量有所提升。

综上所述，频率域滤波是一种高效、灵活的图像处理方法。通过将图像转换到频域、设计合适的滤波器、进行点对点乘法操作，并最终还原图像，可以实现图像的平滑、去噪、增强等多种应用。在实际工程中，频域滤波尤其适用于需要对图像整体频率特性进行精确控制的场景。

6. 逆傅里叶变换还原图像

在图像频率域处理的完整流程中，逆傅里叶变换（Inverse Fourier Transform）是将经过滤波处理后的频域图像重新还原为空域图像的关键步骤。这一过程不仅是技术流程的闭环，也是图像质量恢复和信息保留的重要环节。理解逆傅里叶变换的数学原理、实现方式及其在图像重建中的误差来源，对于掌握频率域处理的全貌具有重要意义。

6.1 逆傅里叶变换的基本原理

6.1.1 从频域恢复到空域的过程

傅里叶变换将图像从空域转换到频域，而逆傅里叶变换则完成相反的操作：将频域表示的图像转换回空域图像。频域图像通常由幅度谱和相位谱组成，其中相位谱在图像结构重建中起着决定性作用。

逆傅里叶变换的数学表达式如下：

f(x, y) = \frac{1}{MN} \sum_{u=0}^{M-1} \sum_{v=0}^{N-1} F(u, v) e^{j2\pi(\frac{ux}{M} + \frac{vy}{N})}

其中：
- $ f(x, y) $ 是原始空域图像；
- $ F(u, v) $ 是图像的频域表示；
- $ M $ 和 $ N $ 分别是图像的高度和宽度；
- $ j $ 是虚数单位；
- $ e^{j2\pi(\frac{ux}{M} + \frac{vy}{N})} $ 是复指数函数，表示频域分量的反向合成。

这个公式的核心在于将频域中的每一个频率分量重新组合，还原出原始图像的空间信息。逆变换过程中，不仅需要处理复数形式的频域数据，还要考虑如何正确恢复图像的幅度和相位信息。

6.1.2 实部与虚部的处理方式

频域图像通常以复数形式存储，包含实部（Real）和虚部（Imaginary）。在逆变换完成后，输出的图像同样是复数形式，但实际图像应为实数图像。因此，在重建过程中需要对结果进行取实部处理：

import numpy as np

# 假设 freq_image 是经过滤波后的频域图像
reconstructed = np.fft.ifft2(freq_image)
real_image = np.abs(reconstructed)

说明： np.fft.ifft2 执行二维逆傅里叶变换，返回的复数图像中包含极小的虚部误差（由于浮点精度），通常使用 np.abs() 或 np.real() 提取实部。

6.2 图像重建的实现方法

6.2.1 使用OpenCV或NumPy进行逆变换

在Python中，可以使用 NumPy 或 OpenCV 来实现图像的逆傅里叶变换。下面是一个使用 NumPy 的完整流程示例：

import numpy as np
import cv2
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图
img = cv2.imread('lena.png', 0)

# 傅里叶变换
dft = np.fft.fft2(img)
dft_shift = np.fft.fftshift(dft)

# 构造高斯低通滤波器（假设已构造好）
rows, cols = img.shape
crow, ccol = rows // 2, cols // 2
sigma = 30
x, y = np.meshgrid(np.arange(cols), np.arange(rows))
gaussian_mask = np.exp(-((x - ccol)**2 + (y - crow)**2) / (2 * sigma**2))

# 应用滤波器
filtered_dft = dft_shift * gaussian_mask

# 逆傅里叶变换
filtered_dft_ishift = np.fft.ifftshift(filtered_dft)
img_back = np.fft.ifft2(filtered_dft_ishift)
img_back = np.abs(img_back)

# 显示结果
plt.figure(figsize=(10, 6))
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.axis('off')
plt.subplot(122), plt.imshow(img_back, cmap='gray')
plt.title('Reconstructed Image'), plt.axis('off')
plt.show()

代码说明：
- np.fft.fft2 执行二维傅里叶变换；
- np.fft.fftshift 将频谱中心化；
- 构造的高斯掩膜 gaussian_mask 用于滤波；
- 最后使用 np.fft.ifft2 进行逆变换，还原图像。

6.2.2 图像的幅度与相位信息保留

在图像重建过程中，幅度谱与相位谱的作用如下：

组成部分	作用	重要性
幅度谱	描述图像中各频率成分的强度	次要，影响图像亮度
相位谱	描述图像结构和位置信息	主要，决定图像内容

可以通过如下方式提取和分析图像的幅度和相位：

magnitude = np.abs(dft_shift)
phase = np.angle(dft_shift)

# 仅使用相位重建图像
recon_from_phase = np.fft.ifft2(np.fft.ifftshift(magnitude * np.exp(1j * phase)))
recon_from_phase = np.abs(recon_from_phase)

# 仅使用幅度重建图像
recon_from_magnitude = np.fft.ifft2(np.fft.ifftshift(magnitude))
recon_from_magnitude = np.abs(recon_from_magnitude)

说明：
- np.angle() 提取相位；
- np.exp(1j * phase) 用于构建复数频域数据；
- 仅相位重建的图像可以保留结构，但失去亮度信息；
- 仅幅度重建的图像无法保留结构信息。

6.3 图像重建的精度与误差分析

6.3.1 重建图像与原始图像的对比

为了评估逆傅里叶变换的精度，可以计算重建图像与原始图像之间的误差。常用指标包括：

指标名称	公式	特点
均方误差（MSE）	$\frac{1}{MN} \sum_{x,y} (f(x,y) - \hat{f}(x,y))^2$	数值越小越好
峰值信噪比（PSNR）	$10 \log_{10} \left( \frac{MAX^2}{MSE} \right)$	数值越大越好
结构相似度（SSIM）	复杂公式，基于均值、方差、协方差	接近1表示结构相似度高

from skimage.metrics import mean_squared_error, peak_signal_noise_ratio, structural_similarity

mse = mean_squared_error(img, img_back)
psnr = peak_signal_noise_ratio(img, img_back)
ssim = structural_similarity(img, img_back, data_range=img_back.max() - img_back.min())

print(f"MSE: {mse:.4f}, PSNR: {psnr:.4f}, SSIM: {ssim:.4f}")

输出示例：

MSE: 12.3456, PSNR: 30.2145, SSIM: 0.9345

这些指标可用于量化图像重建的质量，并指导滤波参数的优化。

6.3.2 误差来源与优化方法

逆傅里叶变换重建图像的误差主要来源于以下几个方面：

误差来源	说明	优化方法
频域滤波器设计不当	滤波器截断高频信息过多或过少	选择合适截止频率或核函数
浮点运算精度损失	多次复数运算引入误差	使用更高精度数据类型（如 np.float64 ）
图像填充方式不当	边界效应导致频谱泄露	使用 np.fft.fftshift 和 ifftshift
相位信息丢失	若仅使用幅度谱重建图像	保留完整复数信息

优化建议：
- 使用 np.fft.fftshift 和 np.fft.ifftshift 保持频谱中心对齐；
- 在图像边缘使用零填充或镜像填充，减少频谱泄漏；
- 使用双精度浮点数 float64 进行运算；
- 对滤波器进行平滑处理，避免锐截止引入振铃效应。

流程图：逆傅里叶变换还原图像的完整流程

graph TD
    A[原始图像] --> B[傅里叶变换]
    B --> C[频域图像]
    C --> D[应用滤波器]
    D --> E[逆傅里叶变换]
    E --> F[重建图像]
    F --> G{误差分析}
    G --> H[MSE]
    G --> I[PSNR]
    G --> J[SSIM]

说明：此流程图展示了从原始图像到频域处理再到图像重建的全过程，以及误差分析的关键节点。

小结

本章深入讲解了逆傅里叶变换的数学原理、实现方式及其在图像重建中的关键作用。通过 Python 实现，我们验证了频域滤波后如何通过逆变换还原图像，并通过误差分析工具评估重建质量。逆变换不仅是频率域处理流程的终点，更是图像质量恢复的关键步骤，理解其实现机制和误差来源对于优化图像处理流程具有重要意义。

7. 图像去噪与平滑效果分析

7.1 图像噪声的基本类型与来源

图像在采集、传输和存储过程中，常常会受到各种噪声的干扰，这些噪声会显著降低图像质量，影响后续的图像处理任务。常见的图像噪声类型主要包括：

7.1.1 高斯噪声与椒盐噪声的区别

噪声类型	特征描述	常见来源	影响
高斯噪声	像素值服从正态分布，表现为图像整体灰度值的随机扰动	传感器热噪声、电子电路噪声	图像模糊、细节丢失
椒盐噪声	随机出现的黑白像素点，图像中呈现为“盐粒”或“椒点”	图像传输错误、A/D转换错误	图像中出现孤立的亮暗点

高斯噪声通常具有连续性，适合使用高斯低通滤波器（GLPF）进行平滑处理；而椒盐噪声更适合使用中值滤波等非线性滤波方法。

7.1.2 噪声对图像质量的影响

噪声会引入不必要的高频分量，使得图像的边缘和细节变得模糊，视觉感知下降。在频率域中，噪声往往表现为高频区域的能量增强，因此低通滤波器可以有效抑制这些高频成分。

7.2 GLPF在图像平滑中的应用

高斯低通滤波器（Gaussian Low-Pass Filter, GLPF）因其在频域中具有良好的衰减特性，被广泛应用于图像的去噪和平滑处理。其核心思想是保留图像的低频成分（即图像的整体结构和颜色变化缓慢的部分），抑制高频成分（如噪声和边缘细节）。

7.2.1 平滑效果的视觉评价

我们可以通过以下步骤使用OpenCV对图像添加高斯噪声并应用GLPF进行平滑处理：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转换为灰度图
img = cv2.imread('lena.png', 0)

# 添加高斯噪声
mean = 0
sigma = 25
gauss = np.random.normal(mean, sigma, img.shape)
noisy_img = img + gauss
noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8)

# 使用高斯低通滤波器进行平滑处理
blurred_img = cv2.GaussianBlur(noisy_img, (5,5), 1.5)

# 显示图像对比
plt.figure(figsize=(10, 6))
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('Original')
plt.subplot(132), plt.imshow(noisy_img, cmap='gray'), plt.title('Noisy Image')
plt.subplot(133), plt.imshow(blurred_img, cmap='gray'), plt.title('GLPF Smoothed')
plt.show()

代码解释：

• cv2.GaussianBlur() ：执行高斯滤波操作，参数 (5,5) 表示滤波核大小， 1.5 为标准差σ。
• np.random.normal() ：生成高斯分布的噪声。
• np.clip() ：确保像素值在[0,255]范围内。

执行结果：
- 原始图像清晰；
- 加噪后图像出现随机斑点；
- 经GLPF处理后图像整体变得平滑，但部分边缘细节略有模糊。

7.2.2 定量指标（如PSNR、SSIM）的分析

为了更客观地评估平滑效果，我们可以使用PSNR（峰值信噪比）和SSIM（结构相似性指数）进行评估：

from skimage.metrics import peak_signal_noise_ratio as psnr
from skimage.metrics import structural_similarity as ssim

print("PSNR between original and noisy:", psnr(img, noisy_img))
print("PSNR between original and blurred:", psnr(img, blurred_img))
print("SSIM between original and noisy:", ssim(img, noisy_img, data_range=255))
print("SSIM between original and blurred:", ssim(img, blurred_img, data_range=255))

示例输出：

PSNR between original and noisy: 28.56
PSNR between original and blurred: 32.11
SSIM between original and noisy: 0.74
SSIM between original and blurred: 0.85

分析：
- PSNR值从28.56提升到32.11，表明图像质量有所改善；
- SSIM从0.74提升到0.85，说明图像结构更接近原始图像。

7.3 GLPF的局限性与改进方向

尽管GLPF在图像去噪和平滑方面表现出色，但它也存在一定的局限性。

7.3.1 对边缘细节的模糊问题

GLPF本质上是一种线性滤波器，它在平滑图像的同时，也会模糊图像中的边缘信息。这种模糊效应在高频区域（如边缘、纹理）尤为明显。

问题说明：

• 边缘是图像中重要的高频特征；
• GLPF对高频成分的抑制会削弱边缘的锐度；
• 在某些应用中（如医学图像分析、目标检测），这种模糊是不可接受的。

7.3.2 结合其他滤波方法的混合策略

为了克服GLPF的边缘模糊问题，可以采用以下混合策略：

策略一：结合双边滤波（Bilateral Filter）

双边滤波不仅考虑像素之间的空间距离，还考虑像素值的差异，从而在平滑噪声的同时保留边缘。

bilateral_img = cv2.bilateralFilter(noisy_img, d=9, sigmaColor=75, sigmaSpace=75)

策略二：结合非局部均值滤波（Non-Local Means）

适用于高斯噪声的去除，能更好地保留图像结构：

denoised_img = cv2.fastNlMeansDenoising(noisy_img, None, h=10)

策略三：频域与空域结合策略

• 在频域中先使用GLPF进行粗略平滑；
• 然后在空域中使用边缘增强算子（如拉普拉斯算子）恢复边缘。

graph TD
    A[原始图像] --> B[加噪图像]
    B --> C[频域GLPF滤波]
    C --> D[逆傅里叶变换还原图像]
    D --> E[空域边缘增强]
    E --> F[最终平滑且保留边缘的图像]

通过以上混合策略，可以在保持图像整体平滑的同时，有效保留图像的重要结构特征。

本文还有配套的精品资源，点击获取

简介：高斯低通滤波是一种基于傅里叶变换的图像平滑去噪技术，广泛应用于图像处理领域。该方法利用高斯函数作为滤波核，通过频率域变换对图像进行滤波处理，能够有效抑制高频噪声并保留图像整体结构。本资料包含完整的GLPF实现代码、测试图像及结果对比，适合用于深入学习高斯低通滤波原理与实际编程应用，帮助掌握图像频率域处理与低通滤波技术。

本文还有配套的精品资源，点击获取