单变量的离散傅里叶变换
由取样后的函数的连续变换得到DFT
对原函数的变换取样后的业的发展的变换
F
~
(
μ
)
\tilde F(\mu)
F~(μ),但未给出取样后的函数
f
~
(
t
)
\tilde f(t)
f~(t)的变换
F
~
(
μ
)
\tilde F(\mu)
F~(μ)的表达式。
F
~
(
μ
)
=
∫
−
∞
∞
f
~
(
t
)
e
−
j
2
π
μ
t
d
t
(4.39)
\tilde F(\mu) = \int_{-\infty}^{\infty} \tilde f(t) e^{-j2\pi\mu t} dt\tag{4.39}
F~(μ)=∫−∞∞f~(t)e−j2πμtdt(4.39)
F ~ ( μ ) = ∫ − ∞ ∞ f ~ ( t ) e − j 2 π μ t d t = ∫ − ∞ ∞ ∑ n = − ∞ ∞ f ( t ) δ ( t − n Δ T ) e − j 2 π μ t d t = ∑ n = − ∞ ∞ ∫ − ∞ ∞ f ( t ) δ ( t − n Δ T ) e − j 2 π μ t d t = ∑ n = − ∞ ∞ f n e − j 2 π μ n Δ T (4.40) \begin{aligned} \tilde F(\mu) & = \int_{-\infty}^{\infty} \tilde f(t) e^{-j2\pi\mu t} dt = \int_{-\infty}^{\infty} \sum_{n = -\infty}^{\infty} f(t) \delta(t - n\Delta T) e^{-j2\pi\mu t} dt\\ & = \sum_{n = -\infty}^{\infty} \int_{-\infty}^{\infty} f(t) \delta(t - n\Delta T) e^{-j2\pi\mu t} dt \\ & = \sum_{n = -\infty}^{\infty} f_n e^{-j2\pi\mu n \Delta T} \end{aligned} \tag{4.40} F~(μ)=∫−∞∞f~(t)e−j2πμtdt=∫−∞∞n=−∞∑∞f(t)δ(t−nΔT)e−j2πμtdt=n=−∞∑∞∫−∞∞f(t)δ(t−nΔT)e−j2πμtdt=n=−∞∑∞fne−j2πμnΔT(4.40)
μ = m M Δ T , m = 0 , 1 , 2 , ⋯ , M − 1 (4.41) \mu = \frac{m}{M\Delta T}, \quad m = 0, 1, 2, \cdots, M-1 \tag{4.41} μ=MΔTm,m=0,1,2,⋯,M−1(4.41)
下面表达式就是我们所求的离散傅里叶变换
F
m
=
∑
n
=
0
M
−
1
f
n
e
−
j
2
π
μ
n
m
/
M
,
m
=
0
,
1
,
2
,
⋯
,
M
−
1
(4.42)
F_m = \sum_{n = 0}^{M - 1} f_n e^{-j2\pi\mu n m/M}, \quad m = 0, 1, 2, \cdots, M-1 \tag{4.42}
Fm=n=0∑M−1fne−j2πμnm/M,m=0,1,2,⋯,M−1(4.42)
离散傅里叶反变换
f
n
=
1
M
∑
m
=
0
M
−
1
F
m
e
j
2
π
μ
n
m
/
M
,
n
=
0
,
1
,
2
,
⋯
,
M
−
1
(4.43)
f_n = \frac{1}{M}\sum_{m = 0}^{M - 1} F_m e^{j2\pi\mu n m/M}, \quad n = 0, 1, 2, \cdots, M-1 \tag{4.43}
fn=M1m=0∑M−1Fmej2πμnm/M,n=0,1,2,⋯,M−1(4.43)
一般二维情况下,使用
x
x
x和
y
y
y表示图像坐标变量并使用
u
u
u和
v
v
v表示频率变量更为直观。离散傅里叶变换对可以改写为
F
(
u
)
=
∑
x
=
0
M
−
1
f
(
x
)
e
−
j
2
π
u
x
/
M
,
u
=
0
,
1
,
2
,
⋯
,
M
−
1
(4.44)
F(u) = \sum_{x = 0}^{M - 1} f(x) e^{-j2\pi u x/M}, \quad u = 0, 1, 2, \cdots, M-1 \tag{4.44}
F(u)=x=0∑M−1f(x)e−j2πux/M,u=0,1,2,⋯,M−1(4.44)
离散傅里叶反变换
f
(
x
)
=
1
M
∑
u
=
0
M
−
1
F
(
u
)
e
j
2
π
u
x
/
M
,
x
=
0
,
1
,
2
,
⋯
,
M
−
1
(4.45)
f(x) = \frac{1}{M}\sum_{u = 0}^{M - 1} F(u) e^{j2\pi u x/M}, \quad x = 0, 1, 2, \cdots, M-1 \tag{4.45}
f(x)=M1u=0∑M−1F(u)ej2πux/M,x=0,1,2,⋯,M−1(4.45)
取样和频率间隔的关系
# 例4.4 计算DFT
# x = 0, 1, 2, 3
# f(x) = 1, 2, 4, 4
x = np.arange(4)
y = np.array([1, 2, 4, 4])
fft = np.fft.fft(y)
print('DFT')
print(fft)
# IDFT反变换
ifft = np.fft.ifft(fft)
print('IDFT')
print(ifft)
DFT
[11.+0.j -3.+2.j -1.+0.j -3.-2.j]
IDFT
[1.+0.j 2.+0.j 4.+0.j 4.+0.j]