复数与信号处理基础-CSDN博客

本文链接：https://blog.csdn.net/weixin_35732969/article/details/82918421

我的小程序：

复数

复数C的定义如下：

$C = R+jI$

其中R和I是实数，j是虚数，即 $j = \sqrt{-1}$ 。

C的共轭复数C*：

$C^{*} = R-jI$

极坐标下表示复数：

$C = |C|(\cos\theta+j\sin\theta)$

其中 $|C| = \sqrt{R^{2}+I^{2}}$ ， $\theta$ 是该向量和实轴（x轴）的夹角。

根据欧拉公式：

$e^{j\theta} = \cos\theta+j\sin\theta$

有：

$C = |C|e^{j\theta}$ ‘

另外，复函数F(u)可表述为：

$F(u) = R(u)+jI(u)$

其中，R(u)和I(u)分别表示实分量函数和虚分量函数。

一维

冲激

连续变量t的单位冲激表示为：

$\delta (t) = \begin{cases} \infty ,& t=0 \\ 0 ,& t\neq 0 \end{cases}$

并且满足如下等式：

$\int_{-\infty }^{\infty}\delta (t)dt = 1$

一个冲激具有如下的取样特性：

$\int_{-\infty }^{\infty}f(t)\delta (t)dt = f(0)$

其中f(t)在t=0处是连续的。

在任意点 $t_{0}$ 的冲激表示为 $\delta (t-t_{0})$ ，它的取样特性为：

$\int_{-\infty}^{\infty}f(t)\delta (t-t_{0})dt = f(t_{0})$ 。

对于离散变量x，单位离散冲激 $\delta (x)$ 如下：

$\delta (x) = \begin{cases} 1 ,& x= 0\\ 0, & x\neq0 \end{cases}$

并满足：

$\sum_{x=-\infty}^{\infty}\delta(x) = 1$

类似的，有取样特性：

$\sum_{x=-\infty}^{\infty}f(x)\delta(x) = f(0)$

或者：

$\sum_{x=-\infty}^{\infty}f(x)\delta(x-x_{0}) = f(x_{0})$

无限多个分离的周期冲激单元 $\Delta T$ 之和是一个冲激串 $s_{\Delta T}(t)$ ：

$s_{\Delta T}(t) = \sum_{n=-\infty}^{\infty}\delta(t-n\Delta T)$

下图是一个冲激串：

傅里叶变换

傅里叶变换是空间域到频率域的变换。

连续函数f(t)的傅里叶变换为：

$F(\mu) = \mathfrak{F}\{f(t)\} = \int_{-\infty}^{\infty}f(t)e^{-j2\pi \mu t}dt$

给定 $F(\mu)$ 可通过傅里叶反变换得到f(t)，即：

$f(t) = \mathfrak{F}^{-1}\{F(\mu)\} = \int_{-\infty}^{\infty}F(\mu)e^{j2\pi\mu t}d\mu$

上面两式称为傅里叶变换对。

求上图“盒状”函数f(t)的傅里叶变换：

$\begin{align*} F(\mu)&=\int_{-\infty}^{\infty}f(t)e^{-j2\pi \mu t}dt = \int_{-W/2}^{W/2}Ae^{-j2\pi \mu t}dt \\ &= \frac{-A}{j2\pi \mu }[e^{-j2\pi \mu t}]_{-W/2}^{W/2} = \frac{-A}{j2\pi \mu }[e^{-j\pi \mu W}-e^{j\pi \mu W}]\\ &= \frac{A}{j2\pi \mu }[e^{j\pi \mu W}-e^{-j\pi \mu W}] = AW\frac{\sin(\pi \mu W)}{\pi \mu W} \end{align*}$

最后一步根据 $\sin\theta = (e^{j\theta}-e^{-j\theta})/2j$ 。另外最后一步是一个sinc函数：

$sinc(m) = \frac{sin(\pi m)}{\pi m}$

sinc(0) = 1，对于m的其他所有整数，sinc(m) = 0。

傅里叶谱（频谱）为：

$|F(\mu)| = AW\left | \frac{\sin(\pi \mu W)}{\pi \mu W} \right |$

$F(\mu)$ 和 $|F(\mu)|$ 的曲线如下图：

从图中可以看出 $F(\mu)$ 和 $|F(\mu)|$ 的零值位置与“盒状”函数f(t)的宽度W成反比。

前面提到的周期为 $\Delta T$ 的冲激串

$s_{\Delta T}(t) = \sum_{n=-\infty}^{\infty}\delta(t-n\Delta T)$

的傅里叶变换为：

$S(\mu) = \mathfrak{F}\{s_{\Delta T}(t)\} = \frac{1}{\Delta T}\sum_{n = -\infty}^{\infty}\delta(\mu-\frac{n}{\Delta T})$

它仍是一个冲激串，周期变为1/ $\Delta T$ 。这种周期的反比关系与“盒状”函数及其变换之间的关系是类似的，这点很重要。

卷积

两个函数的卷积用 $\bigstar$ 表示（定义）：

$f(t)\bigstar h(t) = \int_{-\infty}^{\infty}f(\tau )h(t-\tau)d\tau$

卷积定理（与傅里叶变换的关系）：

$f(t)\bigstar h(t) \Leftrightarrow H(\mu)F(\mu)$

$f(t)h(t)\Leftrightarrow H(\mu)\bigstar F(\mu)$

其中， $F(\mu),H(\mu)$ 分别是f(t),h(t)的傅里叶变换， $\Leftrightarrow$ 表示左边的式子通过傅里叶变换得到右边的式子，右边的式子通过傅里叶反变换得到左边的式子。如：

$\mathfrak{F}\{f(t)\bigstar h(t)\} = H(\mu)F(\mu)$

$\mathfrak{F}^{-1}\{H(\mu)F(\mu)\} = f(t)\bigstar h(t)$

取样

取样的方法是用一个周期为 $\Delta T$ 的冲激函串作为取样函数去乘f(t)得到 $\tilde{f}(t)$ ：

$\tilde{f}(t) = f(t)s_{\Delta T}(t) = \sum_{n = -\infty}^{\infty}f(t)\delta(t-n\Delta T)$

每个取样值可通过积分得到：

$f_{k} = \int_{-\infty}^{\infty}f(t)\delta(t-k\Delta T)dt = f(k\Delta T)$

取样的傅里叶变换

取样后的函数 $\tilde{f}(t)$ 的傅里叶变换 $\tilde{F}(\mu)$ 是：

$\tilde{F}(\mu) = \mathfrak{F}\{\tilde{f}(t)\} = \mathfrak{F}\{f(t)s_{\Delta T}(t)\} = F(\mu)\bigstar S(\mu)$

其中 $S(\mu)$ 是冲激串 $s_{\Delta T}(t)$ 的傅里叶变换，即：

$S(\mu)= \frac{1}{\Delta T}\sum_{n = -\infty}^{\infty}\delta(\mu-\frac{n}{\Delta T})$

由卷积的定义可继续得到：

$\begin{align*} \tilde{F}(\mu) &= F(\mu)\bigstar S(\mu) = \int_{-\infty}^{\infty}F(\tau)S(\mu-\tau)d\tau\\ &= \frac{1}{\Delta T}\int_{-\infty}^{\infty}F(\tau)\sum_{n=-\infty}^{\infty}\delta(\mu-\tau-\frac{n}{\Delta T})d\tau\\ &= \frac{1}{\Delta T}\sum_{n=-\infty}^{\infty}\int_{-\infty}^{\infty}F(\tau)\delta(\mu-\tau-\frac{n}{\Delta T})d\tau\\ &= \frac{1}{\Delta T}\sum_{n=-\infty}^{\infty}F(\mu-\frac{n}{\Delta T}) \end{align*}$

最后一步根据冲激取样特性。上式表明，取样后的函数 $\tilde{f}(t)$ 的傅里叶变换 $\tilde{F}(\mu)$ 是 $F(\mu)$ 的一个拷贝的无限、周期序列，拷贝间的间隔由1/ $\Delta T$ 决定。

下图中，图a是函数f(t)的傅里叶变换 $F(\mu)$ 的简图，图b~d是不同的1/ $\Delta T$ 对应的 $\tilde{F}(\mu)$ ，分别是过取样，临界取样和欠取样：

如果能从 $\tilde{F}(\mu)$ 包含的拷贝的周期序列中分离出 $F(\mu)$ 的一个拷贝，那么就可以从取样后的版本复原f(t)。上图中的欠取样情况图d，由于取样率1/ $\Delta T$ 偏低，不能保持 $F(\mu)$ 的完整性，就不能从中完全回复f(t)。我们考虑临界取样的情况图c，将其放大：

从图中可以看出，要保持 $F(\mu)$ 的完整性，拷贝间的距离要足够，即要求 $1/2\Delta T>\mu_{max}$ ，或：

$\frac{1}{\Delta T}>2\mu_{max}$

这就是取样定理：如果以超过函数最高频率的两倍的取样率来获取样本，连续的带限函数可以完全从它的样本集恢复。

带限函数：以原点为中心的有限区间（宽带）[ $-\mu_{max},\mu_{max}$ ]之外的频率值，其傅里叶变换为零的函数f(t)。如下图：

以下图过取样的情况为例，来看如何从 $\tilde{F}(\mu)$ 复原f(t)：

图b的函数由下式定义：

$H(\mu)\begin{cases} \Delta T, & -\mu_{max}\leqslant \mu \leqslant\mu_{max}\\ 0, & other \end{cases}$

根据：

$\tilde{F}(\mu) = \frac{1}{\Delta T}\sum_{n=-\infty}^{\infty}F(\mu-\frac{n}{\Delta T})$

可通过下式得到 $F(\mu)$ ：

$F(\mu) = H(\mu)\tilde{F}(\mu)$

再通过傅里叶反变换复原f(t)：

$f(t) = \int_{-\infty}^{\infty}F(\mu)e^{j2\pi \mu t}d\mu$

称上面的函数 $H(\mu)$ 为低通滤波器，因为它通过频率范围低端的频率，消除所有较高的频率。

对于欠取样的情况，容易看出无法通过低通滤波器得到一个完整的 $F(\mu)$ ，而产生频率混淆。

混淆总是存在，尽管原始函数可能是带限的，但在实践中，我们必须限制函数持续的时间，得到非带限函数。例如，想把带限函数f(t)限制在区间[0,T]内，可以让f(t)乘如下函数实现：

$h(t) = \begin{cases} 1, & 0\leqslant t \leqslant T\\ 0, & other \end{cases}$

得到的这个函数有如下的基本形状：

通过前面介绍，“盒状”函数的傅里叶变换具有无限扩展的频率分量，如下图：

可以看出，该函数不是带限函数。事实上，没有有限持续时间的函数是带限的。所以，在实践中，混淆是不可避免的，但可以通过平滑输入函数减少高频分量方法来降低混淆的影响，称为抗混淆。

离散傅里叶变换（DFT）

为了得到离散傅里叶变换（DFT），我们对取样后的函数 $\tilde{f}(t)$ 进行傅里叶变换：

$\begin{align*} \tilde{F}(\mu) &=\int_{-\infty}^{\infty}\tilde{f}(t)e^{-j2\pi \mu t}dt \\ &= \int_{-\infty}^{\infty}\sum_{n=-\infty}^{\infty}f(t)\delta(t-n\Delta T)e^{-j2\pi \mu t}dt\\ &= \sum_{n=-\infty}^{\infty}\int_{-\infty}^{\infty}f(t)\delta(t-n\Delta T)e^{-j2\pi \mu t}dt\\ &= \sum_{n=-\infty}^{\infty}f_{n}e^{-j2\pi\mu n\Delta T} \end{align*}$

$\tilde{F}(\mu)$ 是周期为1/ $\Delta T$ 的无限周期连续函数，为了表征一个周期，我们要对它的一个周期取样。假设要在周期 $\mu$ =0到 $\mu$ =1/ $\Delta T$ 之间得到 $\tilde{F}(\mu)$ 的M个等间距样本，可以在如下频率处得到：

$\mu = \frac{m}{M\Delta T},m = 0,1,2,...,M-1$

把 $\mu$ 代入 $\tilde{F}(\mu)$ ，并把结果记为 $F_{m}$ ，则：

$F_{m} = \sum_{n=0}^{M-1}f_{n}e^{-j2\pi mn/M},m=0,1,2,...,M-1$

上式就是离散傅里叶变换，对应的离散傅里叶反变换为：

$f_{n} = \frac{1}{M}\sum_{m=0}^{M-1}F_{m}e^{j2\pi mn/M},n = 0,1,2,...,M-1$

在二维情况下，用x,y表示图像坐标变量和u,v表示频率变量更为直观，我们将上面的离散傅里叶变换对改写成如下形式：

$F(u) = \sum_{x=0}^{M-1}f(x)e^{-j2\pi ux/M},u = 0,1,2,...,M-1$

$f(x) = \frac{1}{M}\sum_{u=0}^{M-1}F(u)e^{j2\pi ux/M},x = 0,1,2,...,M-1$

上面的离散傅里叶正变换和反变换都是以M为周期的，即：

$F(u) = F(u+kM)$

$f(x) = f(x+kM)$

其中k是整数。

卷积的离散等价表示为：

$f(x)\bigstar h(x) = \sum_{m=0}^{M-1}f(m)h(x-m)$

其中，x=0,1,2,...,M-1。上式也是周期的，它给出了周期卷积的一个周期，通常称为循环卷积。

二维

二维冲激及取样

两个连续变量t和z的冲激 $\delta(t,z)$ ：

$\delta(t,z) = \begin{cases} \infty, & t=z=0 \\ 0, & other \end{cases}$

并且：

$\int_{-\infty}^{\infty}\int_{\infty}^{\infty}\delta(t,z)dtdz = 1$

与一维情况类似，有如下取样特性：

$\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(t,z)\delta(t,z)dtdz = f(0,0)$

$\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(t,z)\delta(t-t_{0},z-z_{0})dtdz = f(t_{0},z_{0})$

二维离散冲激：

$\delta(x,y) = \begin{cases} 1, & x=y=0 \\ 0, & other \end{cases}$

取样特性：

$\sum_{x=-\infty}^{\infty}\sum_{y=-\infty}^{\infty}f(x,y)\delta(x,y) = f(0,0)$

$\sum_{x=-\infty}^{\infty}\sum_{y=-\infty}^{\infty}f(x,y)\delta(x-x_{0},y-y_{0}) = f(x_{0},y_{0})$

二维冲激串：

$s_{\Delta T\Delta Z}(t,z) = \sum_{m=-\infty}^{\infty}\sum_{n=-\infty}^{\infty}\delta(t-m\Delta T,z-n\Delta Z)$

其中， $\Delta T$ 和 $\Delta Z$ 是连续函数f(t,z)沿t轴和z轴的样本间的间隔，如下图：

和一维的情况类似，用 $s_{\Delta T\Delta Z}(t,z)$ 乘f(t,z)可得到取样后的函数。

二维中的带限函数：由区间 $[-\mu_{max},\mu_{max}]$ 和区间 $[-v_{max},v_{max}]$ 建立的矩形之外的傅里叶变换为0的函数f(t,z)。

取样定理：如果满足

$\frac{1}{\Delta T}>2\mu_{max},\frac{1}{\Delta Z}>2v_{max}$

则连续函数f(t,z)可由一组样本无误的恢复。

过取样和欠取样如下图所示：

二维傅里叶变换

f(t,z)是连续函数，其二维傅里叶变换对如下：

$F(\mu,v) = \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(t,z)e^{-j2\pi(\mu t + vz)}dtdz$

$f(t,z) = \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}F(\mu,v)e^{j2\pi(\mu t + vz)}d\mu dv$

求下图二维函数的傅里叶变换：

和前面讲到的一维“盒状”函数类似：

$\begin{align*} F(\mu,v) &= \int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(t,z)e^{-j2\pi (\mu t+vz)}dtdz\\ &= \int_{-T/2}^{T/2}\int_{-Z/2}^{Z/2}Ae^{-j2\pi (\mu t+vz)}dtdz\\ &= ATZ[\frac{sin(\pi \mu T)}{\pi \mu T}][\frac{sin(\pi vZ)}{\pi vZ}]\end{align*}$

它的傅里叶谱为：

$|F(\mu,v)|= ATZ\left | \frac{sin(\pi \mu T)}{\pi \mu T} \right | \left | \frac{sin(\pi vZ)}{\pi vZ} \right |$

与一维情况类似，零的位置与T和Z的值成反比，如下图：

二维离散傅里叶变换

类似一维的推导，可以得到下面的二维离散傅里叶变换：

$F(u,v) = \sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi(ux/M+vy/N)}$

其中，f(x,y)是大小为M*N的图像。

对应的傅里叶反变换为：

$f(x,y)= \frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi(ux/M+vy/N)}$

二维离散傅里叶变换性质

1、平移和旋转

$f(x,y)e^{j2\pi(u_{0}x/M+v_{0}y/N)}\Leftrightarrow F(u-u_{0},v-v_{0})$

$f(x-x_{0},y-y_{0}) \Leftrightarrow F(u,v)e^{-j2\pi(x_{0}u/M+y_{0}v/N)}$

上面的傅里叶变换对表明，用指数项乘以f(x,y)将使DFT的原点移到点 $(u_{0},v_{0})$ ；反之，用负指数乘以F(u,v)将使f(x,y)的原点移到点 $(x_{0},y_{0})$ .

使用极坐标：

$x=r\cos\theta,y=r\sin\theta,u=w\cos\varphi ,v=w\sin\varphi$

有下面的傅里叶变换对：

$f(r,\theta+\theta_{0})\Leftrightarrow F(w,\varphi+\varphi_{0})$

上式表明，若f(x,y)旋转 $\theta_{0}$ 角度，则F(u,v)旋转相同的角度。反之，若F(u,v)旋转一个角度，f(x,y)也旋转相同角度。

2、周期性

二维傅里叶变换及其反变换在u方向和v方向是无限周期的，即：

$F(u,v) = F(u+k_{1}M,v) = F(u,v+k_{2}N) = F(u+k_{1}M,v+k_{2}N)$

$f(x,y) = f(x+k_{1}M,y) = f(x,y+k_{2}N) = f(x+k_{1}M,y+k_{2}N)$

其中， $k_{1},k_{2}$ 是整数。

平移和周期性应用的例子：

考虑下图的一维谱

在区间[0,M-1]中，变换数据由两个在点M/2处背靠背半个周期组成，为了在该区间中有一个变换的完整周期，可以通过平移得到：

$f(x)e^{j2\pi (u_{0}x/M)}\Leftrightarrow F(u-u_{0})$

将F(0)移到 $u_{0}$ 位置。如果令 $u_{0}$ = M/2，则指数项变为 $e^{j\pi x}$ ，因为x是整数，故它等于 $(-1)^{x}$ ，则：

$f(x)(-1)^{x} \Leftrightarrow F(u-M/2)$

平移后如下图：

在二维情况下，原理是一样的，如下图所示：

把F(0,0)点移到(M/2,N/2)处，即令下式

$f(x,y)e^{j2\pi(u_{0}x/M+v_{0}y/N)}\Leftrightarrow F(u-u_{0},v-v_{0})$

中的 $(u_{0},v_{0}) = (M/2,N/2)$ ，得到：

$f(x,y)(-1)^{x+y}\Leftrightarrow F(u-M/2,v-N/2)$

3、对称性

任意实函数或虚函数w(x,y)都表示成一个奇数部分和一个偶数部分的和：

$w(x,y) = w_{e}(x,y)+w_{o}(x,y)$

其中，偶数部分和奇数部分定义如下：

$w_{e}(x,y) = \frac{w(x,y)+w(-x,-y)}{2}$

$w_{o}(x,y) = \frac{w(x,y)-w(-x,-y)}{2}$

这里，我们谈论对称（反对称）时，我们指的是关于序列中点的对称（反对称），即一维阵列中心点右侧为正，左侧为负（二维情况类似）。于是，奇和偶的定义变为：

$w_{e}(x,y) = w_{e}(M-x,N-y)$

$w_{o}(x,y) = -w_{o}(M-x,N-y)$

我们知道，两个偶函数或两个奇函数的积是偶函数，一个偶函数和一个奇函数的的积是奇函数，另外，离散函数是奇函数的唯一方法是其所有样本的和为0。于是，有如下结论：

$\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}w_{e}(x,y)w_{o}(x,y) = 0$

偶函数奇函数例子：

考虑一维序列

f = {f(0) f(1) f(2) f(3)} = {2 1 1 1}

其中M = 4，要检验偶性，需满足f(x) = f(4-x)，即：

f(0) = f(4)，f(1)=f(3)，f(2)=f(2)，f(3)=f(1)

这里f(4)在被考察范围之外，所以f(0)对于偶函数的测试没关系。

奇序列中，根据奇函数的定义，第一项 $w_{o}(0,0)$ 永远是0。考虑一维序列

g = {g(0) g(1) g(2) g(3)} = {0 -1 0 1}

序列中各项满足g(x) = -g(4-x)，所以是奇序列。

二维情况如下：

上图是一个奇序列。

实函数f(x,y)的傅里叶变换是共轭对称的，即：

$F^{*}(u,v) = F(-u,-v)$

证明如下：

$\begin{align*} F^{*}(u,v) &=\left [\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi(ux/M+vy/N)} \right ]^{*}\\ &= \sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)^{*}e^{j2\pi(ux/M+vy/N)}\\ &= \sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi((-u)x/M+(-v)y/N)}\\ &= F(-u,-v) \end{align*}$
第三步是因为f(x,y)是实函数。同理可以证明虚函数f(x,y)的傅里叶变换是共轭反对称的：

$F^{*}(-u,-v) = -F(u,v)$

下表列出离散傅里叶变换（DFT）的相关性质：

其中，R(u,v)，I(u,v)分别代表F(u,v)的实部与虚部。一个复函数是偶函数意味着其实部和虚部都是偶函数，同样，一个复函数是奇函数意味着其实部和虚部都是奇函数。

二维傅里叶谱和相角

二维DFT的极坐标形式：

$F(u,v) = |F(u,v)|e^{j\phi (u,v)}$

其中，|F(u,v)|称为傅里叶谱（或频谱）：

$|F(u,v)| = [R^{2}(u,v)+I^{2}(u,v)]^{1/2}$

$\phi(u,v)$ 称为相角：

$\phi(u,v) = \arctan \left [ \frac{I(u,v)}{R(u,v)} \right ]$

功率谱为：

$P(u,v) = |F(u,v)|^{2} = R^{2}(u,v)+I^{2}(u,v)$

|F(u,v)|， $\phi(u,v)$ ，P(u,v)都是大小为M*N的阵列。

根据前面提到的，实函数的傅里叶变化是共轭对称的，可以得到

谱是关于原点偶对称的：

|F(u,v)| = |F(-u,-v)|

相角关于原点奇对称：

$\phi(u,v) = -\phi(-u,-v)$

另外，容易得到如下结论：

$F(0,0) = MN\frac{1}{MN}\sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y) = MN\bar{f}(x,y)$

其中， $\bar{f}(x,y)$ 表示f的平均。上式表明零频率项与f(x,y)的平均值成正比。从而有：

$|F(0,0)| = MN|\bar{f}(x,y)|$

比例常数MN通常很大，|F(0,0)|通常是谱的最大分量，有时称为变换的直流分量。

二维卷积定理

二维循环卷积：

$f(x,y)\bigstar h(x,y) = \sum_{m=0}^{M-1}\sum_{n=0}^{N-1}f(m,n)h(x-m,y-n)$

上式给出了一个二维周期序列的一个周期。

二维卷积定理：

$f(x,y)\bigstar h(x,y) \Leftrightarrow F(u,v)H(u,v)$

$f(x,y)h(x,y) \Leftrightarrow F(u,v)\bigstar H(u,v)$

左右两边构成傅里叶变换对。

前面说过，离散傅里叶变换的表达式是有周期的。现在假如我们要求 $F(u,v)\bigstar H(u,v)$ ，即是求两个周期函数的卷积，必须考虑他们的周期性。

两个函数的卷积，可以看成是一个函数关于原点翻转并完全滑过零一个函数，在滑动过程中的每一个位移处我么执行计算。如下图所示的f和w进行卷积：

假如我们要对各有400个点的函数f和h进行卷积，可以写成：

$f(x)\bigstar h(x) = \sum_{m=0}^{399}f(m)h(x-m)$

包含以下过程：

关于原点求h的镜像（即使h旋转180°）；
以数量x平移h函数；
对每个平移的x值，计算上式右边全部乘积之和。

注：位移x的范围要求h完全滑过f 所有值，这里x的范围是0到799。

上述过程可有下图左边的一列表示：

当f和h是周期函数时，他们的卷积过程就变成了上图中右边列的形式。可以看出，由于周期的存在，使他们互相干扰而导致所谓 缠绕错误，即图j是不正确的。

解决缠绕问题的办法就是把0添加到两个函数中，使他们具有相同的长度，用P来表示，P满足：

$P\geqslant A+B-1$

其中，A，B表示两个函数分别具有A个样本和B个样本。

在上面的例子中，每个函数有400个点，则使用的最小值P = 799，我们要在每个函数的结尾添加399个0，称为0填充。

类似的，在二维情况下也通过0填充来解决缠绕问题，令f(x,y)和h(x,y)分别是大小为A*B和C*D像素的阵列，则需满足：

$f_{p}(x,y) = \begin{cases} f(x,y) & 0\leqslant x\leqslant A-1,0\leqslant y\leqslant B-1\\ 0 & A\leqslant x \leqslant P\ or \ B \leqslant y \leqslant Q \end{cases}$

$h_{p}(x,y) = \begin{cases} h(x,y) & 0 \leqslant x \leqslant C-1,0 \leqslant y \leqslant D-1 \\ 0 & C \leqslant x \leqslant P\ or \ D \leqslant y \leqslant Q \end{cases}$