电脑
mathematica
把图片转化为图片数据：data = ImageData[img];
对图片数据进行Fourier变换：d0 = Fourier[data[[All, All, #]]] & /@ {1, 2, 3}注意，图片是三通道图片，要分别对每一个通道单独变换。对变换后的数据，直接合成图片，结果如下。
如果对变换后的数据，取绝对值（复数取模长），再合成图片，效果如下。Image[#] & /@ Abs@d0 // ColorCombine
看一下给出的图片的尺寸：{w, h} = ImageDimensions[img]w代表宽度，h代表高度。
制造一个过滤器，把步骤三里面那些暗色的区域对应的数据变为0；其实，这些区域代表着噪音对应的数据。p = 0.4;filter = Table[ If[Abs[(r - (h/2))/h] > p && Abs[(c - (w/2))/w] > p, 1, 0], {r, 1, h}, {c, 1, w}];过滤器又叫掩膜。下图是p=0.4的时候的掩膜。
把这个过滤器和Fourier变换同时起作用，可以在一定程度上过滤掉噪音：Image /@ (Abs /@ (Fourier[ImageData[img][[All, All, #]]]* filter) & /@ {1, 2, 3}) // ColorCombine如下图，只有角落里面那些亮色数据得以保存。
经过Fourier变换、去噪，在对数据进行逆Fourier变换，就可以合成去噪后的图片。ColorCombine[ Image[Abs@ InverseFourier[ Fourier[ImageData[img][[All, All, #]]]*filter]] & /@ {1, 2, 3}]下图使用的是p=0.4的过滤器去噪，得到的图片。噪音没了，但是图像很模糊。
当p=0.2的时候，掩膜图片如下。保留下来的像素明显增多了。
看看用p=0.2的过滤器，得到的图片，变的很清晰了。
当p=0.01的时候，掩膜和最终效果如下。
上面的图片，是我在一张清晰的图片上面加上的随机噪音。
实际生活中，我们遇到的被污染的照片，噪音可能是多种多样的。有时候，Fourier变换的降噪效果并不好。