本系列主要介绍傅里叶变换和离散傅里叶变换的概念及理解,文本为该系列第二篇
卷积
相关与卷积操作的区别是卷积需要先将filter旋转180∘,w(x,y)和f(x,y)的卷积表示为w(x,y)⊗f(x,y)=Σs=−aaΣt=−bbw(s,t)f(x−s,y−t),卷积由⊗表示,这边的减号起到把filter旋转180∘的作用,以w是⎣⎡1,2,34,5,67,8,9⎦⎤,f是⎣⎢⎢⎡1,2,3,…4,5,6,…7,8,9,……⎦⎥⎥⎤为例,w的1与f里面的9对应,w的2与f里面的8对应等
对于一维的连续情况,两个连续函数f(t)与h(t)卷积为f(t)⊗h(t)=∫−∞∞f(τ)h(t−τ)dτ
该卷积的傅里叶变换ξ{f(t)⊗h(t)}=∫−∞∞[∫−∞∞f(τ)h(t−τ)dτ]e−j2πμtdt=∫−∞∞f(τ)[∫−∞∞h(t−τ)e−j2πμtdt]dτ=∫−∞∞f(τ)[∫−∞∞h(t−τ)e−j2πμ(t−τ)e−j2πμτd(t−τ)]dτ=∫−∞∞f(τ)H(μ)e−j2πμτdτ=H(μ)F(μ)
所以我们可以发现,空间域两个函数的卷积的傅里叶变换等于两个函数的傅里叶变换在频率域的乘积
取样
在计算机处理之前,连续函数必须转换为离散值序列,考虑一个连续函数f(t),我们希望以独立变量t的均匀间隔ΔT为间隔采样,取样后函数为(借助之前介绍的冲激串)f(t)=f(t)sΔT(t)=Σn=−∞∞f(t)δ(t−nΔT),序列中的任何取样值为fk=∫−∞∞f(t)δ(t−kΔT)dt=f(kΔT), k=…,−2,−1,0,1,2,…
这样,取样后函数的傅里叶变换为(借助于之前的卷积定理)F(μ)=F(μ)S(μ),冲激串的傅里叶变换还是冲激串,最后整理得到F(μ)=ΔT1Σn=−∞∞F(μ−ΔTn),每一个F(μ−ΔTn)可以理解为是由F(μ)平移得到的。
如果f(t)是带限函数(对于以原点为中心的有限区间[−μmax,μmax]之外的频率值,其傅里叶变换为0的函数),我们可以发现F(μ)是周期为ΔT1的函数,ΔT1越大,即采样周期越短,周期之间会出现明显的间隔,如上图(b);ΔT1越小,即采样周期越长,周期之间就会出现交集,如上图(c)
如果能够从F(μ)中分离得到F(μ),我们就可以得到f(t),进一步引出取样定理,如果以超过最高频率两倍的取样率来获得样本,即ΔT1>2μmax,连续的带限函数就可以从它的采样中进行恢复
参考资料:《数字图像处理》第三版