用python编程将图像傅里叶变换后在频域上加上干扰，然后在傅里叶反变换并展示这三个图像

好的，这里提供一份简单的代码示例：

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

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

# 进行傅里叶变换
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)

# 在频域上添加干扰
rows, cols = img.shape
crow, ccol = int(rows/2), int(cols/2)
fshift[crow-30:crow+30, ccol-30:ccol+30] = 0

# 进行傅里叶反变换
ishift = np.fft.ifftshift(fshift)
iimg = np.fft.ifft2(ishift)
iimg = np.abs(iimg)

# 展示图像
plt.subplot(131), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(np.log(1+np.abs(fshift)), cmap='gray')
plt.title('Frequency Domain'), plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(iimg, cmap='gray')
plt.title('Processed Image'), plt.xticks([]), plt.yticks([])
plt.show()

以上代码中，首先读取一张灰度图像。然后进行傅里叶变换，并将其进行中心化，即将频域中心移到图像中心。

接着，在频域上添加干扰，这里简单地选择了一个正方形区域进行清零操作。

最后进行傅里叶反变换，将处理后的频域图像重新转换到空域，并取其绝对值作为最终结果。最后，将原始图像、频域图像和处理后的图像在同一窗口中展示。

需要注意的是，这里使用了 matplotlib 库进行图像展示，因此需要提前安装。