理想低通滤波器（对傅里叶变换和离散傅里叶变换的区别的粗浅认识）

a03910

已于 2024-04-18 23:08:22 修改

阅读量380

点赞数 1

文章标签：人工智能计算机视觉图像处理

于 2024-04-17 00:43:16 首次发布

本文链接：https://blog.csdn.net/a03910/article/details/137845505

版权

理想低通滤波器，振铃现象是因为sinc函数，而sinc函数是因为例4.1的简单函数的傅里叶变换得到的。经过我的计算，简单函数的傅里叶反变换也得到sinc函数。这里的频率域滤波器因为是二个值的，所以类似简单函数，反变换之后得到的空间域滤波器是sinc函数，但是事实不只是如此，因为简单函数需要的是连续的，这里是离散的点，实际上需要简单函数乘以取样函数，就是冲激串，单位间隔为1，再进行反变换，我观察了冲激串定义公式4.2-14和傅里叶变换公式4.2.5小节的上面内容，发现冲激串反变换和变换得到的公式是一样的。所以理想低通滤波器的反变换h(x)=sinc $\bigotimes$ F-1(S $\Delta$ T)= $\sum_{m=-\infty }^{+\infty } \sum_{n=-\infty }^{+\infty }$ sinc(x-m/ $\Delta$ T, y-n/ $\Delta$ T)，但是这也不对。因为图像是PxQ个点列,冲激串范围改成PxQ就可以了。具体的计算过程我给不出来，书上这样说:

实际上计算过程非常的复杂，我还没想通，但是肯定不是书上写的这么简单。我在说一下，图4.43是瞎画的，和一边的解释对应不上，画错了。

我现在给出一维具体的计算过程:

首先模版在频率域上是M的点列。在中心处M/2的位置有白色点列范围为[M/2-D0, M/2+D0]。

函数为H(u)=1, u∈[M/2-D0, M/2+D0]。H(u)=0, u∈[0, M] - [M/2-D0, M/2+D0], 同时u∈Z。

同时把这个函数考虑为周期函数。

现在考虑如何从连续函数得到这个离散函数。先考虑在区间[0,M]的函数，因为后面可以使用中心化。

H0(u)=1, u∈[-M/2,M/2]；others H0(u)=0。注意连续函数的傅里叶变换不是周期函数，但是离散函数是。

设s $\Delta$ T表示冲激串，这里的 $\Delta$ T是什么呢？实际上并不知道电信号的时间间隔，那就不管，反正在这里没有影响。

H0(u)*s $\Delta$ T是什么意思呢？并没有任何意义，只有积分才有意义。

H1(u)= $\int_{-M/2 }^{+M/2}$ H0(v)* $\sum_{u=-\infty }^{\infty}$ $\delta$ (v-u $\Delta$ T)dv=H0(u $\Delta$ T), 这表示只取[-M/2,M/2]区间的整数位置，其他位置的值不存在， $\Delta$ T在这里不影响，不管。问题是需要的是H(u), 这里还差一点。

那么只需要H0再改一下为

H0(u)=1, u∈[-D0/2,D0/2]；others H0(u)=0，总之u属于R。

所以h(u)=H1(u)的离散傅里叶反变换，但是我不打算用离散的形式继续计算,因为带有指数看不清楚，使用另外的方式计算如下。

根据书上的公式4.4-1和4.4-2，

h(t)= $\int_{-M/2 }^{+M/2}$ H0(v)*s $\Delta$ T(v)*e^(j2 $\pi$ tv)dv= $\int_{-M/2 }^{+M/2}$ H0(v)* $\sum_{n=-\infty }^{\infty}$ $\delta$ (v-n $\Delta$ T)*e^(j2 $\pi$ tv)dv

= $\sum_{n=-M/2 }^{M/2}$ H0(n $\Delta$ T)*e^(j2 $\pi$ tn $\Delta$ T)=H0(u)的反变换和s $\Delta$ T的反变换的卷积（这两个都是几乎处处连续函数）,虽然我限制到了M/2的范围，但是实际上还是D0/2的范围。问题是t要取M个点而不是D0个点，所以应该是限制到M,而不是D0。

h(t)= $\int_{-M/2 }^{+M/2}$ H0(v)*s $\Delta$ T(v)*e^(j2 $\pi$ tv)dv

H0(u)的反变换h0(t)=D0/2*sinc( $\pi$ tD0), 我计算过了书上的例4.1的函数的傅里叶变换和反变换是一样的。

s $\Delta$ T的反变换=s $\Delta$ T的变换=(1/ $\Delta$ T) $\sum_{n=-\infty }^{\infty}$ $\delta$ (t-n/ $\Delta$ T)。

所以h(t)= $\sum_{n=-\infty }^{\infty}$ (D0/(2 $\Delta$ T))sinc( $\pi$ D0(t-n/ $\Delta$ T))。卷积运算居然不知道是M个离散的点，这和公式4.3-5类似的，但是明明是离散函数的傅里叶反变换应该是离散的，这个函数看不出来离散性， 所以我错了吗？

我查了数学分析中的傅里叶变换，发现一直以为离散傅里叶变换可以傅里叶变换的离散形式推导出来，结果发现不是，那么从连续函数乘以冲激串得到离散函数，再进行离散傅里叶变换，可以使用离散形式的卷积定理，但是两者之间没有转换关系，不能变成一般的傅里叶变换的卷积，那我该怎么解决这个问题呢？

重写，我上面写错了。

问题似乎是到了书上的公式4.4-1和4.4.2就停止了。但是书上能继续写下去，说明了我也能继续写下去。我之前没有理解连续傅里叶变换和离散傅里叶变换的区别，以为是一样的，结果发现不一样，但是还是能推导，只是意义要改变一下。以一维度的点列为例子

点列长度为M, 在中心有区间为[M/2-D0, M/2+D0]的点为1，其他的点均为0的频率域滤波器H(u)，求该滤波器的反变换。

本来是直接求离散傅里叶反变换的，但是我觉得看的不清楚，使用连续傅里叶变换，冲激串是书上定义的冲激串，简单函数是例4.1的简单函数。但是如何得到M个取样点符合Fm本来的值呢？我做不到，因为不清楚之间的对应关系，但是肯定有。（为什么不使用离散傅里叶变换的卷积，因为连续函数做不到使用离散傅里叶变换，只有离散函数可以使用连续傅里叶变换，比如冲激串。）

那我还是只能直接看离散傅里叶反变换了。

h(t)=1/M* $\sum_{u=0}^{M-1}$ H(u)*e^(j2 $\pi$ tu/M)。但是这个空间滤波器看不出来是sinc函数和冲激串函数的卷积上的取样。我确实推导不出来，这是个问题，本来也不应该由我解决的。我只能说因为像素太小使得离散函数近似连续函数，所以使用连续函数的卷积计算得到的结果至少眼睛分不出来区别，那么，在估算的时候使用连续傅里叶变换是可行的。

根据估算的空间模版公式h(t)= $\sum_{n=-\infty }^{\infty}$ (D0/(2 $\Delta$ T))sinc( $\pi$ D0(t-n/ $\Delta$ T))分析理想低通滤波器的效果。因为是近似，t取值为[-M/2, M/2]，周期 $\Delta$ T应该视为极大，使得在[-M/2, M/2]范围上在一个周期内，这样做是避免周期出现，既然周期 $\Delta$ T极大，那么n的影响极小，可视为0，在一个周期内有 $\Delta$ T个，那么h(t) $\approx$ (D0/2)sinc( $\pi$ D0t)，这个函数其实就是简单函数的傅里叶变换，这意味着在估算的时候采样函数，也就是冲激串不需要考虑。当D0大的时候，sinc的周期变小了，看起来是变尖锐了，这和书上的低通滤波器的说法是一致的，但只是我的猜测，我确实搞不清楚，只能达到这种程度而已。但是还有一个问题是sinc函数和像素变化率真的有关系吗？书上说这个理想低通滤波器变化大的不通过模糊，而像素变化小的通过表现为和原图一样。但是我完全看不出来，这里应该有个说法的，作者也没有解释。

为了解决低通滤波器不通过像素变化大的说法，我查了数学分析的内容

连续函数的傅里叶级数的系数Cn和函数的傅里叶变换有关，w就是级数中的nw，所以，当nw大的时候，f(nw)表示的是Cn，这个是连续函数的在分解为三角函数的叠加的系数，表示该频率的三角函数的强度，这个强度能反映原来的f(x)的变化率吗？

因为这里是离散函数，可以重新定义微分，可积且绝对可积，所以根据傅里叶逐项微分定理，

原来函数f(x)的变化率的强度确实跟所有的n有关，n*Cn的值大的肯定是主要分量，n决定了频率。

所以像素的变化率跟频率成正相关，但是也跟该频率的f(nw)成正相关。可以看出较高的频率产生所有变化率较高的x位置，同时任意频率nw的值f(nw)比较大的也产生所有变化率比较高的x位置。但是这个函数f(x)只是空间模版，如何作用于图像呢？实际上就是在在频率域中相乘，高频处的值如果模版偏低，那么就拉低了图像在频率的值，自然就把图像的变化率陡峭变平缓了。

所以我得出的结论是：在频率域的模版虽然是离散函数，但是估算的时候，直接写成矩形上的函数，并且不是看做是离散函数求离散傅里叶反变换，而是求连续傅里叶反变换，直接取频率域上的区间的整数值为变量，就是在空间域上的模版的估算值。

我为什么要费劲把频率域滤波器转换为空间与滤波器，因为只有空间域模版的计算方式是直观的，直接是和图像的180度旋转相乘。

第三天内容

我终于完成了傅里叶分析的内容，这就是傅里叶分析的内容。我就说这个问题不应该由我解决，而是作者解决的，但是没想到数字图像处理_冈萨雷斯的书上根本不给解决。

我终于能够从连续函数的傅里叶变换得到离散函数的傅里叶变换了。其实这个说法是我自己命名的，专业的术语是从FT推导得到DTFT。而DTFT的一个周期就是DFT。

但是具体的过程过于复杂，我就不说了，反正我之前的近似方法已经研究的很好了，用于估算频率域滤波器已经足够用了，只是没办法精确计算，最后附录傅里叶分析重要的内容:

a03910

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
理想低通滤波器（对傅里叶变换和离散傅里叶变换的区别的粗浅认识）

理想低通滤波器，振铃现象是因为sinc函数，而sinc函数是因为例4.1的简单函数的傅里叶变换得到的。经过我的计算，简单函数的傅里叶反变换也得到sinc函数。这里的频率域滤波器因为是二个值的，所以类似简单函数，反变换之后得到的空间域滤波器是sinc函数，但是事实不只是如此，因为简单函数需要的是连续的，这里是离散的点，实际上需要简单函数乘以取样函数，就是冲激串，单位间隔为1，再进行反变换，我观察了冲激串定义公式4.2-14和傅里叶变换公式4.2.5小节的上面内容，发现冲激串反变换和变换得到的公式是一样的。
复制链接

扫一扫