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: