第4章 Python 数字图像处理(DIP) - 频率域滤波4 - 单变量的离散傅里叶变换DFT

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$\tilde{F}(\mu )$，但未给出取样后的函数$\tilde{f}(t)$的变换$\tilde{F}(\mu )$的表达式。
$$\tilde{F}(\mu )={\int }_{-\infty }^{\infty }\tilde{f}(t)e^{-j2\pi \mu t}dt\text{\hspace{1em}(4.39)}$$

$$\begin{array}{rl}\tilde{F}(\mu )& ={\int }_{-\infty }^{\infty }\tilde{f}(t)e^{-j2\pi \mu t}dt={\int }_{-\infty }^{\infty }\sum _{n=-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi \mu t}dt\\ & =\sum _{n=-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(t)\delta (t-n\Delta T)e^{-j2\pi \mu t}dt\\ & =\sum _{n=-\infty }^{\infty }{f}_n{e}^{-j2\pi \mu n\Delta T}\end{array}\text{\hspace{1em}(4.40)}$$

$$\mu =\frac{m}{M\Delta T},m=0,1,2,\cdots ,M-1\text{\hspace{1em}(4.41)}$$

下面表达式就是我们所求的离散傅里叶变换
$$F_m=\sum _{n=0}^{M-1}{f}_n{e}^{-j2\pi \mu nm/M},m=0,1,2,\cdots ,M-1\text{\hspace{1em}(4.42)}$$

离散傅里叶反变换
$$f_n=\frac{1}{M}\sum _{m=0}^{M-1}{F}_m{e}^{j2\pi \mu nm/M},n=0,1,2,\cdots ,M-1\text{\hspace{1em}(4.43)}$$

一般二维情况下，使用$x$和$y$表示图像坐标变量并使用$u$和$v$表示频率变量更为直观。离散傅里叶变换对可以改写为
$$F(u)=\sum _{x=0}^{M-1}f(x)e^{-j2\pi ux/M},u=0,1,2,\cdots ,M-1\text{\hspace{1em}(4.44)}$$

离散傅里叶反变换
$$f(x)=\frac{1}{M}\sum _{u=0}^{M-1}F(u)e^{j2\pi ux/M},x=0,1,2,\cdots ,M-1\text{\hspace{1em}(4.45)}$$

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]