傅里葉變換的意義

時(shí)間：2023-05-01 01:06:45 資料我要投稿

相關(guān)推薦

傅里葉變換的意義

1、為什么要進(jìn)行傅里葉變換，其物理意義是什么？

傅立葉變換是數(shù)字信號(hào)處理領(lǐng)域一種很重要的算法。要知道傅立葉變換算法的意義，首先要了解傅立葉原理的意義。傅立葉原理表明：任何連續(xù)測(cè)量的時(shí)序或信號(hào)，都可以表示為不同頻率的正弦波信號(hào)的無(wú)限疊加。而根據(jù)該原理創(chuàng)立的傅立葉變換算法利用直接測(cè)量到的原始信號(hào)，以累加方式來(lái)計(jì)算該信號(hào)中不同正弦波信號(hào)的頻率、振幅和相位。

和傅立葉變換算法對(duì)應(yīng)的是反傅立葉變換算法。該反變換從本質(zhì)上說(shuō)也是一種累加處理，這樣就可以將單獨(dú)改變的正弦波信號(hào)轉(zhuǎn)換成一個(gè)信號(hào)。

因此，可以說(shuō)，傅立葉變換將原來(lái) 難以處理的時(shí)域信號(hào)轉(zhuǎn)換成了易于分析的頻域信號(hào)（信號(hào)的頻譜），可以利用一些工具對(duì)這些頻域信號(hào)進(jìn)行處理、加工。最后還可以利用傅立葉反變換將這些頻域信號(hào)轉(zhuǎn)換成時(shí)域信號(hào)。

從現(xiàn)代數(shù)學(xué)的眼光來(lái)看，傅里葉變換是一種特殊的積分變換。它能將滿足一定條件的某個(gè)函數(shù)表示成正弦基函數(shù)的線性組合或者積分。在不同的研究領(lǐng)域，傅里葉變換具有多種不同的變體形式，如連續(xù)傅里葉變換和離散傅里葉變換。

在數(shù)學(xué)領(lǐng)域，盡管最初傅立葉分析是作為熱過(guò)程的解析分析的工具，但是其思想方法仍然具有典型的還原論和分析主義的特征。

正是由于上述的良好性質(zhì),傅里葉變換在物理學(xué)、數(shù)論、組合數(shù)學(xué)、信號(hào)處理、概率、統(tǒng)計(jì)、密碼學(xué)、聲學(xué)、光學(xué)等領(lǐng)域都有著廣泛的應(yīng)用。

2、圖像傅立葉變換的物理意義

圖像的頻率是表征圖像中灰度變化劇烈程度的指標(biāo)，是灰度在平面空間上的梯度。如：大面積的沙漠在圖像中是一片灰度變化緩慢的區(qū)域，對(duì)應(yīng)的頻率值很低；而對(duì)于地表屬性變換劇烈的邊緣區(qū)域在圖像中是一片灰度變化劇烈的區(qū)域，對(duì)應(yīng)的頻率值較高。傅立葉變換在實(shí)際中有非常明顯的物理意義，設(shè)f是一個(gè)能量有限的模擬信號(hào)，則其傅立葉變換就表示f的譜。從純粹的數(shù)學(xué)意義上看，傅立葉變換是將一個(gè)函數(shù)轉(zhuǎn)換為一系列周期函數(shù)來(lái)處理的。從物理效果看，傅立葉變換是將圖像從空間域轉(zhuǎn)換到頻率域，其逆變換是將圖像從頻率域轉(zhuǎn)換到空間域。換句話說(shuō)，傅立葉變換的物理意義是將圖像的灰度分布函數(shù)變換為圖像的頻

率分布函數(shù)，傅立葉逆變換是將圖像的頻率分布函數(shù)變換為灰度分布函數(shù)

傅立葉變換以前，圖像（未壓縮的位圖）是由對(duì)在連續(xù)空間（現(xiàn)實(shí)空間）上的采樣得到一系列點(diǎn)的集合，我們習(xí)慣用一個(gè)二維矩陣表示空間上各點(diǎn)，則圖像可由z=f(x,y)來(lái) 表示。由于空間是三維的，圖像是二維的，因此空間中物體在另一個(gè)維度上的關(guān)系就由梯度來(lái)表示，這樣我們可以通過(guò)觀察圖像得知物體在三維空間中的對(duì)應(yīng)關(guān)系。為什么要提梯度？因?yàn)閷?shí)際上對(duì)圖像進(jìn)行二維傅立葉變換得到頻譜圖，就是圖像梯度的分布圖，當(dāng)然頻譜圖上的各點(diǎn)與圖像上各點(diǎn)并不存在一一對(duì)應(yīng)的關(guān)系，即使在不移頻的情況下也是沒(méi)有。傅立葉頻譜圖上我們看到的明暗不一的亮點(diǎn)，實(shí)際上圖像上某一點(diǎn)與鄰域點(diǎn)差異的強(qiáng)弱，即梯度的大小，也即該點(diǎn)的頻率的大小（可以這么理解，圖像中的低頻部分指低梯度的點(diǎn)，高頻部分相反）。一般來(lái)講，梯度大則該點(diǎn)的亮度強(qiáng)，否則該點(diǎn)亮度弱。這樣通過(guò)觀察傅立葉變換后的頻譜圖，也叫功率圖，我們首先就可以看出，圖像的能量分布，如果頻譜圖中暗的點(diǎn)數(shù)更多，那么實(shí)際圖像是比較柔和的（因?yàn)楦鼽c(diǎn)與鄰域差異都不大，梯度相對(duì)較小），反之，如果頻譜圖中亮的點(diǎn)數(shù)多，那么實(shí)際圖像一定是尖銳的，邊界分明且邊界兩邊像素差異較大的。對(duì)頻譜移頻到原點(diǎn)以后，可以看出圖像的頻率分布是以原點(diǎn)為圓心，對(duì)稱分布的。將頻譜移頻到圓心除了可以清晰地看出圖像頻率分布以外，還有一個(gè)好處，它可以分離出有周期性規(guī)律的干擾信號(hào)，比如正弦干擾，一副帶有正弦干擾，移頻到原點(diǎn)的頻譜圖上可以看出除了中心以外還存在以某一點(diǎn)為中心，對(duì)稱分布的亮點(diǎn)集合，這個(gè)集合就是干擾噪音產(chǎn)生的，這時(shí)可以很直觀的通過(guò)在該位置放置帶阻濾波器消除干擾

另外我還想說(shuō)明以下幾點(diǎn)：

1、圖像經(jīng)過(guò)二維傅立葉變換后，其變換系數(shù)矩陣表明：

若變換矩陣Fn原點(diǎn)設(shè)在中心，其頻譜能量集中分布在變換系數(shù)短陣的中心附近(圖中陰影區(qū))。若所用的二維傅立葉變換矩陣Fn的原點(diǎn)設(shè)在左上角，那么圖像信號(hào)能量將集中在系數(shù)矩陣的四個(gè)角上。這是由二維傅立葉變換本身性質(zhì)決定的。同時(shí)也表明一股圖像能量集中低頻區(qū)域。

2 、變換之后的圖像在原點(diǎn)平移之前四角是低頻，最亮，平移之后中間部分是低頻，最亮，亮度大說(shuō)明低頻的能量大（幅角比較大）

----------------------------------------------我是分割線

-----------------------------------------------------------------------------------------------

傅里葉變換是將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，這樣在時(shí)域上一些交叉在一起的、看不出來(lái)的信號(hào)的特性，在頻域上就很明顯的能看出來(lái)了。比如下圖：

Figure1，是a=0.4*sin(4*w*(x))的圖形，F(xiàn)igure2，是

b=1.6*cos(12*w*(x))的圖形。這兩個(gè)圖形，在時(shí)間軸上，很容易看出來(lái)。但是兩個(gè)的和，也就是a+b，如Figure3所示，里面的一些信息就看不出來(lái)了。但是做一個(gè)傅里葉變換，轉(zhuǎn)換到頻域上，如 Figure4所示，就很明顯了。Figure4的橫坐標(biāo)是頻率，縱坐標(biāo)是幅值，就可以看出Figure3是有兩個(gè)信號(hào)組成的，頻率大的信號(hào)的幅值比較大（就是b，由于此處用了fftshift，所以恰好相反），意義就比較明顯了。

附：上圖的Matlab程序

w=2*pi;

x=-1:0.01:1;

a=0.4*sin(4*w*(x));

b=1.6*cos(12*w*(x));

subplot(2,2,1);

plot(w*x,a),title('Figure 1 : a=0.4*sin(4*w*(x))'); subplot(2,2,2);

plot(w*x,b),title('Figure 2 : b=1.6*cos(12*w*(x))'); subplot(2,2,3);

plot(w*x,a+b),title('Figure 3 : a+b');

c=fft(a+b);

subplot(2,2,4);

plot(x,fftshift(abs(c))),title('Figure 4 : FFT');