傅里叶谱中心化通常是指在离散傅里叶变换（DFT）后，将频谱图中的中心点（即直流分量）移动到频谱图的中心位置。这样做可以使得频谱图更易于分析，因为频谱的直流分量通常对应于信号的均值或平均频率成分。
```python
import cv2
import numpy as np
def fft2shift（src）:
获取图像的尺寸
height, width = src.shape
计算中心点坐标
wCenter = int（width / 2）
hCenter = int（height / 2）
创建一个与输入图像相同大小的零矩阵
dst = np.zeros（src.shape, np.float32）
将输入图像复制到中心位置
dst[hCenter-wCenter:hCenter+wCenter, wCenter-hCenter:wCenter+hCenter] = src
return dst
读取图像
filename = "path_to_your_image.jpg"
imageGray = cv2.imread（filename, cv.IMREAD_GRAYSCALE）
计算离散傅里叶变换
imageDFT = np.fft.fft2（imageGray）
将频谱中心化
imageShift = fft2shift（imageDFT）
将中心化后的频谱图转换回图像空间
imageCentered = np.fft.ifft2（imageShift）
显示原始图像和中心化后的频谱图
cv2.imshow（"Original Image", imageGray）
cv2.imshow（"Centered Spectrum", np.abs（imageCentered））
cv2.waitKey（0）
cv2.destroyAllWindows（）
```
在这个示例中，我们首先定义了一个`fft2shift`函数，该函数将输入图像的频谱中心化。然后，我们读取一张灰度图像，计算其离散傅里叶变换，并将频谱中心化。最后，我们将中心化后的频谱图转换回图像空间，并显示原始图像和中心化后的频谱图。
请注意，这个示例使用的是OpenCV和NumPy库，你需要确保这些库已经安装在你的环境中。如果你使用的是其他编程语言或库，实现傅里叶谱中心化的方法可能会有所不同。