奈奎斯特采样定理—以二维图像为例

前言

本节中，结合《Image Processing,Analysis,and Mechine Vision》这本书对信号采样中的奈奎斯特定理作一个简单的证明，并且以2D图像为例进行阐释。

证明过程

假设一个图像在点$x=j\Delta x,y=k\Delta y,\mathrm{f}\mathrm{o}\mathrm{r}$ $j=1,...M$并且$k=1,...,N$，因此在$x$轴和$y$轴上两个相邻采样点的间隔分别为$\Delta x$和$\Delta y$，该离散图像可以表示为$f(j\Delta x,k\Delta y)$.我们也可以使用满足Dirac分布$\delta$集来表示规则网格中的理想采样函数$s(x,y)$.
$$s(x,y)=\sum _{j=1}^M\sum _{k=1}^N\delta (x-j\Delta x,y-k\Delta y)\text{ (1)}$$
采样后的图像$f_s(x,y)$就是原始图像$f(x,y)$与采样函数$s(x,y)$的乘积：
$$\begin{gathered} f_s(x,y)=f(x,y)s(x,y) \\ =f(x,y)\sum _{j=1}^M\sum _{k=1}^N\delta (x-j\Delta x,y-k\Delta y)\text{ (2)} \end{gathered}$$
我们可以假设一个无限周期采样网格$\Delta x,\Delta y$，其傅里叶展开式为：
F { ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ δ ( x − j Δ x , y − k Δ y ) } = 1 Δ x Δ y ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ δ ( u − m Δ x , v − n Δ y )  (3) \mathcal F \lbrace \sum_{j=-\infty}^{\infty} \sum_{k=-\infty}^{\infty} \delta(x-j\Delta x,y-k\Delta y) \rbrace = \frac{1}{\Delta x\Delta y}\sum_{j=-\infty}^{\infty} \sum_{k=-\infty}^{\infty} \delta(u-\frac{m}{\Delta x},v-\frac{n}{\Delta y}) \text { (3)} F{j=−∞∑∞​k=−∞∑∞​δ(x−jΔx,y−kΔy)}=ΔxΔy1​j=−∞∑∞​k=−∞∑∞​δ(u−Δxm​,v−Δyn​) (3)
公式$(1)$的傅里叶变换为：
$$F_s(u,v)=\frac{1}{\Delta x\Delta y}\sum _{j=-\infty }^{\infty }\sum _{k=-\infty }^{\infty }F(u-\frac{m}{\Delta x},v-\frac{n}{\Delta y})\text{ (4)}$$
因此，采样图像的傅里叶变换是原始图像傅立叶变换的周期叠加。下面我们考虑一个一维带限信号，其频率$|f|<f_m$，采样之后其傅里叶变换如下图所示，要想频带不发生混叠，$f_s>2f_m$.

对于2D信号，若想最终的信号不发生混叠，则
$$\Delta x<\frac{1}{2U},\Delta y<\frac{1}{2V},U和V指两个方向上的最大频率$$