一、离散傅里叶变换
1.1单变量离散傅里叶变换DFT
X
(
K
)
=
∑
n
=
0
N
−
1
x
(
n
)
W
N
k
n
,
0
≤
k
≤
N
−
1
X(K)=\sum_{n=0}^{N-1}x(n)W_N^{kn}, 0\le k \le N-1
X(K)=n=0∑N−1x(n)WNkn,0≤k≤N−1
x
(
n
)
=
1
N
∑
k
=
0
N
−
1
X
(
k
)
W
N
−
k
n
,
0
≤
n
≤
N
−
1
x(n)=\frac{1}{N}\sum_{k=0}^{N-1}X(k)W_N^{-kn}, 0\le n \le N-1
x(n)=N1k=0∑N−1X(k)WN−kn,0≤n≤N−1
其中
W
N
k
n
=
e
−
j
2
π
N
×
k
n
W_N^{kn}=e^{\frac{-j2\pi}{N}\times kn}
WNkn=eN−j2π×kn
1.2双变量离散傅里叶变换DFT
F
(
u
,
v
)
=
∑
x
=
0
M
−
1
∑
y
=
0
N
−
1
f
(
x
,
y
)
W
M
u
x
W
N
v
y
,
0
≤
u
≤
M
−
1
0
≤
v
≤
N
−
1
F(u,v)=\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)W_M^{ux}W_N^{vy}, 0\le u \le M-1 \hspace{2mm} 0\le v \le N-1
F(u,v)=x=0∑M−1y=0∑N−1f(x,y)WMuxWNvy,0≤u≤M−10≤v≤N−1
f
(
x
,
y
)
=
1
M
N
∑
u
=
0
M
−
1
∑
v
=
0
N
−
1
F
(
u
,
v
)
W
M
−
u
x
W
N
−
v
y
,
0
≤
x
≤
M
−
1
0
≤
y
≤
N
−
1
f(x,y)=\frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)W_M^{-ux}W_N^{-vy}, 0\le x \le M-1 \hspace{2mm} 0\le y \le N-1
f(x,y)=MN1u=0∑M−1v=0∑N−1F(u,v)WM−uxWN−vy,0≤x≤M−10≤y≤N−1
二、混淆
无可避免的混淆
\quad
实际中,函数总是有时间限制的,这个时间限制就相当于给f(t)这个函数乘了一个函数
h
(
t
)
=
1
,
0
≤
t
≤
T
h(t)=1 ,0\le t \le T
h(t)=1,0≤t≤T,但是这个h(t)不是带限函数(带限函数的傅里叶变换是有限的,关于原点对称),那么f(t)h(t)的傅里叶变换就不是带限的,h(t)引入了无限的频率分量。
\quad
但是,根据Nyquist采样定律,我们采样的频率应该大于信号傅里叶变换后最大频率的两倍,要不然就会导致欠采样。现在这个尴尬的处境就是,我们避免不了欠采样了,因为有无限的频率分量存在。换句话说:我们没有办法避免混淆!!!
\quad
how to deal with?
\quad
在图像处理中,我们通过平滑输入函数来减少函数的高频分量,如对图像采用散焦方法,借此来降低混淆的影响,这种操作被称为抗混淆。这个操作要在函数被取样之前完成。