企业官网建设流程全解析

OpencvSharp 算子学习教案之 - Cv2.Dft

大家好，Opencv在很多工程项目中都会用到，而OpencvSharp则是以C#开发与实现的Opencv操作库，对.NET开发人员友好，但很多API的中文资料、应用场景及常见坑点等缺乏系统性归纳，因此这系列博客将给大家带来Cv2及Mat对象全系列算子学习教案，供大家参考学习。

Cv2.Dft

• 教案版本：V1.0
• 面向对象：OpenCvSharp 初学者
• 所属模块：core
• 源码位置：OpenCvSharp/Cv2/Cv2_core.cs:2887

摘要：Dft 会把时域信号转换成频域频谱。本文用一个 1x4 实数向量演示完整复数输出，并说明为什么前向变换通常要和 Idft、Scale 配合，才能完成正确的往返验证。

1. 函数名称（带参数签名）

publicstaticvoidDft(InputArraysrc,OutputArraydst,DftFlagsflags=DftFlags.None,intnonzeroRows=0)

2. 函数用途

Cv2.Dft的作用，是把时域中的信号变成频域中的频谱。

它最常见的用途有：

1. 做频谱分析，观察信号里有哪些频率成分。
2. 做快速卷积和相关。
3. 在图像处理中进入频域后再做滤波。

对初学者来说，最重要的知识点是：实数输入并不一定直接返回一张普通的实数矩阵。默认情况下，OpenCV 可能使用压缩的 CCS 格式；如果你想直接观察每个频率点，最好显式打开DftFlags.ComplexOutput。

3. 函数公式

1D DFT 的基本公式是：

Xk=∑n=0N−1xne−j2πkn/N X_k = \sum_{n=0}^{N-1} x_n e^{-j2\pi kn/N}Xk​=n=0∑N−1​xn​e−j2πkn/N

其中：

• xnx_nxn​是时域信号；
• XkX_kXk​是频域频谱；
• NNN是采样点数；
• jjj表示虚数单位。

如果再做逆变换，并且开启DFT_SCALE，那么可以写成：

xn=1N∑k=0N−1Xkej2πkn/N x_n = \frac{1}{N} \sum_{k=0}^{N-1} X_k e^{j2\pi kn/N}xn​=N1​k=0∑N−1​Xk​ej2πkn/N

本文示例使用的信号是：

x=[1,2,3,4] x = [1, 2, 3, 4]x=[1,2,3,4]

它的完整复数频谱是：

X=[10, −2+2j, −2, −2−2j] X = [10,\,-2+2j,\,-2,\,-2-2j]X=[10,−2+2j,−2,−2−2j]

4. 函数原理说明

Cv2.Dft可以理解成下面几步：

1. 检查输入是否为浮点型实数或复数矩阵。
2. 根据flags决定输出是完整复数、实数，还是压缩的 CCS 格式。
3. 对输入做离散傅里叶变换。
4. 把结果写入dst。
5. 如果传入nonzeroRows，OpenCV 会把它当成性能优化提示，用在卷积、相关等场景里。

这里最容易混淆的是输出格式。对初学者来说，建议先把DftFlags.ComplexOutput记住：它会把实数输入直接变成完整的复数频谱，这样每个频率点的实部和虚部都能清楚看到。

5. 参数含义解析

补充说明：

1. DftFlags.ComplexOutput适合做教学演示和频谱可视化。
2. DftFlags.RealOutput只适合逆变换。
3. DftFlags.Scale常和逆变换一起使用，避免结果比原信号大一倍或NNN倍。
4. DftFlags.Rows会把每一行当作独立的一维信号。

6. 应用场景列表

7. 函数使用示例

下面的 Console 程序演示Cv2.Dft。为了让结果更容易理解，我们使用一个 1x4 的实数向量，并显式要求输出完整复数频谱。

usingSystem.Globalization;usingSystem.Text;usingOpenCvSharp;internalstaticclassProgram{/// <summary>/// 程序入口。/// </summary>privatestaticvoidMain(){// 控制台要支持中文输出，这样说明文字不会乱码。Console.OutputEncoding=Encoding.UTF8;// 这里选一个很容易手算的 1x4 信号，方便核对 DFT 的输出。varsourceData=newdouble[,]{{1.0,2.0,3.0,4.0},};usingvarsource=CreateMatrix(sourceData);usingvarspectrum=newMat();// 显式要求完整复数输出，这样每个频率点的实部和虚部都能直接观察。Cv2.Dft(source,spectrum,DftFlags.ComplexOutput);varactualSpectrum=ReadComplexMatrix(spectrum);varexpectedSpectrum=newdouble[,]{{10.0,0.0},{-2.0,2.0},{-2.0,0.0},{-2.0,-2.0},};PrintMatrix("源信号 x[n]",sourceData);PrintComplexMatrixComparison("频谱 X[k]",actualSpectrum,expectedSpectrum);}/// <summary>/// 把二维数组包装成单通道矩阵。/// </summary>privatestaticMatCreateMatrix(double[,]values){// OpenCV 的 Dft 需要浮点型输入，所以这里直接创建 CV_64FC1。returnMat.FromPixelData(values.GetLength(0),values.GetLength(1),MatType.CV_64FC1,values);}/// <summary>/// 读取复数矩阵，并把每个复数展开成一行 [实部, 虚部]。/// </summary>privatestaticdouble[,]ReadComplexMatrix(Matsource){// 统一转成双精度双通道，避免不同深度影响读取逻辑。usingvarconverted=newMat();source.ConvertTo(converted,MatType.CV_64FC2);varresult=newdouble[converted.Rows*converted.Cols,2];varindex=0;for(varrow=0;row<converted.Rows;row++){for(varcol=0;col<converted.Cols;col++){// Vec2d 的 Item0 是实部，Item1 是虚部。varvalue=converted.At<Vec2d>(row,col);result[index,0]=value.Item0;result[index,1]=value.Item1;index++;}}returnresult;}/// <summary>/// 打印普通实数矩阵。/// </summary>privatestaticvoidPrintMatrix(stringtitle,double[,]matrix){Console.WriteLine(title);for(varrow=0;row<matrix.GetLength(0);row++){varline=newStringBuilder("[");for(varcol=0;col<matrix.GetLength(1);col++){line.Append(matrix[row,col].ToString("F6",CultureInfo.InvariantCulture));if(col<matrix.GetLength(1)-1){line.Append(", ");}}line.Append(']');Console.WriteLine(line.ToString());}Console.WriteLine();}/// <summary>/// 打印复数矩阵，把每一行当成一个复数来显示。/// </summary>privatestaticvoidPrintComplexMatrix(stringtitle,double[,]matrix){Console.WriteLine(title);for(varrow=0;row<matrix.GetLength(0);row++){varrealText=matrix[row,0].ToString("F6",CultureInfo.InvariantCulture);varimagValue=matrix[row,1];varsign=imagValue>=0?"+":"-";varimagText=Math.Abs(imagValue).ToString("F6",CultureInfo.InvariantCulture);Console.WriteLine($"[{row}]{realText}{sign}{imagText}i");}Console.WriteLine();}/// <summary>/// 打印复数矩阵对照结果，并计算最大绝对误差。/// </summary>privatestaticvoidPrintComplexMatrixComparison(stringtitle,double[,]actual,double[,]expected){PrintComplexMatrix($"{title}- 实际值",actual);PrintComplexMatrix($"{title}- 期望值",expected);Console.WriteLine($"最大绝对误差：{ComputeMaxAbsDiff(actual,expected):F12}");Console.WriteLine();}/// <summary>/// 计算两个矩阵的最大绝对误差。/// </summary>privatestaticdoubleComputeMaxAbsDiff(double[,]left,double[,]right){varmax=0.0;for(varrow=0;row<left.GetLength(0);row++){for(varcol=0;col<left.GetLength(1);col++){vardiff=Math.Abs(left[row,col]-right[row,col]);if(diff>max){max=diff;}}}returnmax;}}

8. 运行结果解读

如果你运行上面的示例，应该能看到下面几个结论：

1. 频谱的第 0 项是 10，表示直流分量，也就是整体平均水平。
2. 第 1 项和第 3 项互为共轭对称，说明原信号是实数信号。
3. 第 2 项的虚部为 0，说明这个频率点的能量是纯实数形式。
4. 这组结果可以直接拿去做 Idft 往返验证。

9. 常见错误与排查

1. 忘记给实数输入加DftFlags.ComplexOutput，结果只看到 CCS 压缩格式。
2. 把频谱当成普通实数矩阵来理解，忽略了它其实是两通道复数数据。
3. 做逆变换时忘记加DftFlags.Scale，导致还原结果比原信号大一倍或NNN倍。
4. 输入矩阵不是浮点型，导致函数直接报错。

10. 进阶说明

DftFlags里最值得先记住的几个标志是：

1. ComplexOutput：把实数输入展开成完整复数频谱。
2. RealOutput：只用于逆变换，把满足共轭对称的频谱还原成实数输出。
3. Scale：为变换结果做归一化。
4. Rows：每一行独立做一维变换。

nonzeroRows在大多数教学示例里不会马上用到，但在卷积、相关和模板匹配里非常有价值，因为它可以让 OpenCV 少处理那些全 0 的行。

11. 总结

Cv2.Dft的核心职责，就是把信号从时域搬到频域。只要你先记住“实数输入 +ComplexOutput= 完整复数频谱”，后面再学Idft、MulSpectrums和频域滤波，就会顺很多。