数字信号处理 － Chap7 DFT和FFT （3）DFT窗效应、频谱图和FFT

7.4 DFT窗效应

当研究的是时不变信号时，若采样频率一定，则用长的窗可给出更准确的频谱；若信号为时变的，则长的窗可能会使结果发生混淆。

1）时域采样频率一定，短窗意味着采样点少，响应频域采样点也少，造成频率分辨率fs/N变差；反之，长窗则频率采样点多，频率分辨率变好

2）但是，使用长窗的DFT不能提供单个信号的频谱特性。对语言来说，为了揭示某个元音的频率，窗的长度不能超过它的持续时间，因为更宽的窗不仅捕捉该元音，也捕捉临近声音的频率。

窗长度的选择要同时考虑时域和频率的需求。

1）采样速率一定，DFT要分析时域小的细节（如单个元音），就要用窄的窗，代价就是频率分辨率变差

2）要改善频率分辨率，时域就要用宽的窗，代价就是DFT反映单频率分量的能力变差

窗长度可变是DFT的优点，使得它即可描述细节部分，也可描述大的部分。

 

加窗是DFT误差的主要来源之一，下面通过图示来说明（这里采样DTFT，应为它能更清晰反映窗形状变化的影响）。

1）最左边的是正弦数字信号 的幅频，在 处有一尖峰

2）对于频率特性不随时间变化的信号，窗越长，DFT分辨率改善，正弦频谱的峰变窄，对原信号频谱的近似越好，

 

 

7.5 频谱图

DFT分析的关键是选择窗的长度，使之适合待分析的信号。单个DFT只能提供信号的有限信息，而DFT集合（每个给出不同时间间隔的信号）更有帮助。频谱图是描绘DFT集合的图形，横坐标为时间，纵坐标为频率，每个竖段是DFT幅度频谱（幅度越多颜色越深）。

下图是“Mary had a little lamb”的频谱图和乐谱（乐谱也是一种时频图）。

7.6 FFT

快速傅里叶变换（fast Fourier transform, FFT）的输出与DFT相同，但运输量要小的多。最常用的FFT是基2时域抽取法FFT（radix-2 decimation-in-time FFT），它的基本原理是将一个N点的计算分解为两个N/2点的计算，每个N/2点的计算再分解为N/4点的计算。

 

推导过程如下

1）将信号x[n]分解为奇采样点 和偶采样点

 

                

                 从第二项提取出 得到

                       

2）上式两项具有DFT的形式，可写为

           

             其中：Y[k]是偶采样点的DFT，Z[k]是奇采样点的DFT，乘数 是旋转因子

3）上式可进一步分解为两个N/2d点的DFT

            前一半计算：    （1）

            后一半计算：

            由于Y[k]和Z[k]的周期为N/2，上式改写为

                     （2）

             由式（1）和（2）构成的DFT1级计算示意图如下

              

                       一个8点FFT的所有三级运算如下图

                   

 

对比分析FFT和DFT的运算效率

1）DFT中对每个点要计算N次乘法以及（N-1）次加法，对于N个点则要计算N*N次乘法以及N*（N-1）次加法，时间复杂度为N*N

2）FFT的每一级有N次乘法以及N次加法，FFT共有 级，时间复杂度为

 

7.7 2维DFT和FFT

对于图形等2维信号也需要分析频谱特性，2维DFT其实是1维DFT的自然延展，公式如下

         2维DFT：

       逆2维DFT:  

 

其实，2维计算就是就是现在图像的每一行上进行1维DFT计算，然后在此矩阵的列上再进行1维DFT计算。

转载于:https://www.cnblogs.com/pegasus/archive/2011/02/19/1958439.html