傅里叶变换与卷积

关于傅里叶变换与卷积

只是很浅显的记录一下二者的作用

卷积：

卷积可以理解为一种运算，只是这种运算比较复杂。

可以看到卷积的重要的物理意义是：一个函数（如：单位响应）在另一个函数（如：输入信号）上的加权叠加。

卷积的应用：

卷积是一种积分运算，用来求两个曲线重叠区域面积。可以看作加权求和，可以用来消除噪声、特征增强。 

把一个点的像素值用它周围的点的像素值的加权平均代替。

卷积运算的的一个通俗例子：

卷积是使用两个大小不同的矩阵进行一种数学运算。

假设需要对高速公路上的跑车进行位置追踪，这也是卷积神经网络图像处理的一个非常重要的应用。摄像头接收到的信号被计算为x(t)，表示跑车在路上时刻t的位置。

但是往往实际上的处理没那么简单，因为自然界无时无刻存在着各种影响，比如摄像头传感器的滞后。因此为了得到跑车位置的实时数据，采用的方法就是对测量结果进行均值化处理。但是对于一个运动中的目标，时间越久的位置则越不可靠，而时间离计算时越短的位置则与真实值的相关性越高。因此可以对不同的时间段赋予不同的权重，即通过一个权值定义来计算。可以表示为：

 

傅里叶变换：

傅里叶变换用于构建信号时域与频域之间的联系，也就是将时域信息转换为频域信息，将频域信息转换为时域信息。

傅里叶变换的公式可以让微分和积分在频域中变为乘法和除法。

卷积与傅里叶变换的关系

卷积是一种运算方式，针对线性时不变系统。最基础的应用就是：在时域中，一个输入，卷积上单位冲激响应，就可以得到输出。

傅立叶变换的主要作用就是让函数在时域和频域可以相互转化。最显而易见的应用就是：当输入函数和单位冲激响应函数都被转化为频域函数后，两个频域函数直接做乘法（相对于上面说的时域函数的卷积），就可以得到输出的频域函数。最后再反变换回时域，就可以得到输出的时域函数。

 

 

参考链接：

https://www.cnblogs.com/h2zZhou/p/8405717.html

https://www.cnblogs.com/alexanderkun/p/8149059.html