傅裏葉變換（Fourier Transform，簡稱FT）常用於數字信號處理，它的目的是將時間域上的信號轉變為頻率域上的信號。隨著域的不同，對同壹個事物的了解角度也隨之改變，因此在時域中某些不好處理的地方，在頻域就可以較為簡單的處理。同時，可以從頻域裏發現壹些原先不易察覺的特征。傅裏葉定理指出“任何連續周期信號都可以表示成（或者無限逼近）壹系列正弦信號的疊加。”
傅裏葉變換可以應用於圖像處理中，經過對圖像進行變換得到其頻譜圖。從譜頻圖裏頻率高低來表征圖像中灰度變化劇烈程度。圖像中的邊緣信號和噪聲信號往往是高頻信號，而圖像變化頻繁的圖像輪廓及背景等信號往往是低頻信號。這時可以有針對性的對圖像進行相關操作，例如圖像除噪、圖像增強和銳化等。
Numpy中的fft模塊，相關函數如下：
Numpy中的 FFT包提供了函數 np.fft.fft2()可以對信號進行快速傅裏葉變換，其函數原型如下所示，該輸出結果是壹個復數數組（Complex Ndarry）。
fft2(a, s=None, axes=(-2, -1), norm=None)
頻率分布圖譜，其中越靠近中心位置頻率越低，越亮（灰度值越高）的位置代表該頻率的信號振幅越大
傅裏葉逆變換，是傅裏葉變換的逆操作，將頻譜圖像轉換為原始圖像的過程。通過傅裏葉變換將轉換為頻譜圖，並對高頻（邊界）和低頻（細節）部分進行處理，接著需要通過傅裏葉逆變換恢復為原始效果圖。頻域上對圖像的處理會反映在逆變換圖像上，從而更好地進行圖像處理。
圖像逆傅裏葉變換主要使用的函數如下所示：
OpenCV 中相應的函數是cv2.dft()和用Numpy輸出的結果壹樣，但是是雙通道的。第壹個通道是結果的實數部分，第二個通道是結果的虛數部分，並且輸入圖像要首先轉換成 np.float32 格式。其函數原型如下所示：
dst = cv2.dft(src, dst=None, flags=None, nonzeroRows=None)
由於輸出的頻譜結果是壹個復數，需要調用cv2.magnitude()函數將傅裏葉變換的雙通道結果轉換為0到255的範圍。其函數原型如下：
cv2.magnitude(x, y)
OpenCV 中，通過函數cv2.idft()實現傅裏葉逆變換，其返回結果取決於原始圖像的類型和大小，原始圖像可以為實數或復數。其函數原型如下所示：
dst = cv2.idft(src[, dst[, flags[, nonzeroRows]]])
傅裏葉變換的目的並不是為了觀察圖像的頻率分布（至少不是最終目的），更多情況下是為了對頻率進行過濾，通過修改頻率以達到圖像增強、圖像去噪、邊緣檢測、特征提取、壓縮加密等目的。
過濾的方法壹般有三種：低通（Low-pass）、高通（High-pass）、帶通（Band-pass）。
高通濾波器是指通過高頻的濾波器，衰減低頻而通過高頻，常用於增強尖銳的細節，但會導致圖像的對比度會降低。該濾波器將檢測圖像的某個區域，根據像素與周圍像素的差值來提升像素的亮度。
低通濾波器是指通過低頻的濾波器，衰減高頻而通過低頻，常用於模糊圖像。低通濾波器與高通濾波器相反，當壹個像素與周圍像素的插值小於壹個特定值時，平滑該像素的亮度，常用於去燥和模糊化處理。