matla图像b傅里叶逆变换_图上的傅里叶变换和逆变换

把传统的傅里叶变换以及卷积迁移到Graph上来，核心工作其实就是把拉普拉斯算子的特征函数

变为Graph对应的拉普拉斯矩阵的特征向量。

(1)傅里叶变换

炫云：傅里叶变换的全面理解，非常棒​zhuanlan.zhihu.com

(2)Graph上的傅里叶变换

传统的傅里叶变换定义为：

公式（1）表示的意义是傅立叶变换是时域信号

与基函数

（拉普拉斯算子特征函数）的积分，

那么为什么要找

作为基函数呢？

1. 是正交函数系。
2. 从数学上看，
   是拉普拉斯算子
   的特征函数（满足特征方程）,
   就和特征值有关。

至于

由何种推导得来的请参考：傅里叶变换的全面理解

拉普拉斯算子Δ的定义:

炫云：拉普拉斯算子和拉普拉斯矩阵，图拉普拉斯算子推导​zhuanlan.zhihu.com

其数学定义为:

• 为何
  是拉普拉斯算子
  的特征函数？理解如下

广义的特征方程定义为：

其中

是一种变换(例如：拉普拉斯)，

是

特征向量或者特征函数（无限维的特征向量），

是特征值。

带入函数

满足：

当然

就是变换

的特征函数，

和特征值密切相关

。

由上述证明可得结论：傅立叶变换是时域信号与拉普拉斯算子特征函数的积分。

从整体推特殊，将以上的结论推广到（离散）图中可知：图上的傅立叶变换就是时域信号与图拉普拉斯算子特征函数的求和！

那么，处理Graph问题的时候，用到拉普拉斯矩阵（拉普拉斯矩阵就是离散拉普拉斯算子)，自然就去找拉普拉斯矩阵的特征向量了。

是拉普拉斯矩阵，

是其特征向量，自然满足下式

对于傅里叶变换式（1），将特征函数转换为特征向量，离散积分就是一种内积形式,将积分转换为求和，那么N个顶点图上的傅立叶变化表达式为：

是Graph上的

维向量，

与Graph的顶点一一对应，

表示第

个特征向量的第

个分量。

为图拉普拉斯算子第

个特征值,公式（5）是

特征值（频率）对应的傅立叶变换.

注：上述的内积运算是在复数空间中定义的，所以采用了

，也就是特征向量

的共轭。

利用矩阵乘法将Graph上的傅里叶变换推广到矩阵形式：

即

在Graph上傅里叶变换的矩阵形式为：

式中：

的定义与拉普拉斯矩阵的谱分解的相同,为拉普拉斯谱分解的正交矩阵。

(3)Graph上的傅里叶逆变换

类似地，为了将频率函数变换为时域函数,传统的傅里叶逆变换是对频率

求积分：

公式（7）和公式（1）类似，差一个常数系数。公式（1）积分之后是一个关于w的函数，公式(7) 对w积分后是关于t的函数，从频域变换到了时域。

迁移到Graph上变为对特征值

求和：

利用矩阵乘法将Graph上的傅里叶逆变换推广到矩阵形式：

即

在Graph上傅里叶逆变换的矩阵形式为：

---

二、为什么拉普拉斯矩阵的特征向量可以作为傅里叶变换的基？特征值表示频率？

(1)为什么拉普拉斯矩阵的特征向量可以作为傅里叶变换的基？

傅里叶变换一个本质理解就是：把任意一个函数表示成了若干个正交函数（由sin,cos 构成）的线性组合。

图6 傅里叶逆变换图示

通过

式也能看出，

graph傅里叶变换也把graph上定义的任意向量

，表示成了拉普拉斯矩阵特征向量的线性组合，即：

那么：为什么graph上任意的向量

都可以表示成这样的线性组合？

原因在于

是graph上

维空间中的

个线性无关的正交向量，由线性代数的知识可以知道：

维空间中

个线性无关的向量可以构成空间的一组基，而且拉普拉斯矩阵的特征向量还是一组正交基。

所以拉普拉斯矩阵的特征向量可以作为傅里叶变换的基。

(2)怎么理解拉普拉斯矩阵的特征值表示频率？

在graph空间上无法可视化展示“频率”这个概念，那么从特征方程上来抽象理解。

可以观看

炫云：拉普拉斯矩阵的谱分解，图的拉普拉斯矩阵​zhuanlan.zhihu.com

将拉普拉斯矩阵

的

个

非负实特征值，从小到大排列为

，而且最小的特征值

，因为

维的全1向量对应的特征值为0（由

的定义就可以得出）：

从特征方程的数学理解来看：

在由Graph确定的

维空间中，越小的特征值

表明：拉普拉斯矩阵

其所对应的基

上的分量、“信息”越少，那么当然就是可以

忽略的低频部分了。

其实图像压缩就是这个原理，把像素矩阵特征分解后，把小的特征值（低频部分）全部变成0，PCA降维也是同样的，把协方差矩阵特征分解后，按从大到小取出前K个特征值对应的特征向量作为新的“坐标轴”。