FFT相关学习记录

猪猪虾的业余生活

已于 2023-04-21 14:26:58 修改

阅读量482

点赞数 2

分类专栏： ct重建文章标签：傅立叶分析

于 2023-04-10 19:47:04 首次发布

本文链接：https://blog.csdn.net/weixin_43528481/article/details/130068122

版权

ct重建专栏收录该内容

5 篇文章 1 订阅

订阅专栏

以下都是自己学习的心得，有不对的地方，欢迎指出交流

1 FFT和圆周卷积是什么关系

下面这个图可以这么理解，DTFT，就是对连续时间非周期信号进行抽样（乘积），得到的离散时间非周期信号再求傅里叶变换的过程就是DTFT，DFS时域是周期离散信号，频域也是周期离散的信号，而DFT是DFS取主值区间的结果，讨论FFT等价于讨论DFT. DFT和圆周卷积没有本质的联系，两个说的不是一个事，也就是圆周卷积不是用来做DFT的，两者的联系在于，2个有限长序列的圆周卷积，计算量很大，可以将其转换到频域，就变成两个有限长序列傅里叶变换的乘积，二两个有限长序列的的傅里叶变换，就可以用DFT来做。
https://zhuanlan.zhihu.com/p/415814805
在这里插入图片描述

2 FT, DFT, DTFT, DFS之间的关系

https://blog.csdn.net/qq_53277015/article/details/127260433

**
对一个连续的非周期序列，做傅里叶变换，频域是连续的，也就是说，连续非周期序列的傅里叶变换时域和频域都是连续的
对连续非周期信号在时域进行采样，得到DTFT，时域变成离散的，频域是连续的，计算机无法处理，计算机只能处理频域和时域都离散的数据
进一步对频域采样，也即频域乘以一个采样函数（或者对时域卷积），使得频域也离散，得到DFS，时域和频域都是离散且是周期函数
对DFS取主值区间，得到的有限长序列，对应的频谱也是有限长的频谱，也即将DFS用于有限长序列，就变成了DFT**

3 什么时候要用卷积？卷积计算量如何？如何用fft来减小计算量？

最好理解也是很常见的的例子，就是假设现在有一个系统h(n）,有一个输入信号x(n)，要滤除掉信号里面的某些信息，这个过程就是用卷积来实现。

当序列长度很长时，卷积的计算量是非常大的。。。。待续。。。。

4 为什么绘制FFT的频谱时，幅值要除以N/2

https://www.jianshu.com/p/78043f8f8306?ivk_sa=1024320u
https://zhuanlan.zhihu.com/p/137433994
https://blog.csdn.net/seekyong/article/details/104434128/
https://blog.csdn.net/weixin_32161697/article/details/113717962

结合以上链接和我自己的理解：
在这里插入图片描述

先知道几个定义（对FFT来说）：
频谱密度：
DFT是对有限长的离散信号做，有限长的信号，也就是这个信号是能量信号，能量信号是指能量有限（也即是积分是有确切结果的）的信号，能量信号的傅里叶变换结果就是能量信号的频谱密度

频谱宽度：
https://blog.csdn.net/qq_35538845/article/details/78552888

5 增加采样点数可以增加分辨率的理解

Fn=(n-1)*Fs/N

假设采样频率为Fs，信号频率F，采样点数为N。那么FFT之后结果就是一个为N点的复数。每一个点就对应着一个频率点。这个点的模值，就是该频率值下的幅度特性。具体跟原始信号的幅度有什么关系呢？假设原始信号的峰值为A，那么FFT的结果的每个点（除了第一个点直流分量之外）的模值就是A的N/2倍。而第一个点就是直流分量，它的模值就是直流分量的N倍。而每个点的相位呢，就是在该频率下的信号的相位。第一个点表示直流分量（即0Hz），而最后一个点N的再下一个点（实际上这个点是不存在的，这里是假设的第N+1个点，也可以看做是将第一个点分做两半分，另一半移到最后）则表示采样频率Fs，这中间被N-1个点平均分成N等份，每个点的频率依次增加。例如某点n所表示的频率为：Fn=(n-1)*Fs/N。由上面的公式可以看出，Fn所能分辨到频率为为Fs/N，如果采样频率Fs为1024Hz，采样点数为1024点，则可以分辨到1Hz。1024Hz的采样率采样1024点，刚好是1秒，也就是说，采样1秒时间的信号并做FFT，则结果可以分析精确到1Hz，如果采样2秒时间的信号并做FFT，则结果可以分析精确到0.5Hz。如果要提高频率分辨率，则必须增加采样点数，也即采样时间。频率分辨率和采样时间是倒数关系。

6 采样频率在重建里面的应用，以及滤波器的频率上限设置问题

投影数据的最高采样频率是由探测器间隔决定的，一排探测器，相当于对投影连续信号的采样，探测器宽度也就是抽样里面的采样间隔T,1/T对应的就是当前采样的堆高采样频率fs = 1/T, 根据奈奎斯特采样定理，要求采样频率大于信号最高频率fm的两倍，投影里面信号的最高频率fm（也即是图像的最高频率）是难以确定的，目前认为探测器采样能满足绝大部分情况，暂时不用管这个信号的最高采样频率。但是在某些应用场景，会发现明显探测器的采样不足信号的最高频率，从而导致混叠，如人体的骨头，人体骨头的像素值的亮度梯度比较大，因而大致信号频率比较高，但是探测器采样不足骨头频率的2倍，导致总能在骨头边缘发现混叠的产生。

关于斜坡滤波器里面的频率上线，针对斜坡滤波器，通常是是直接给出频域的解析表达式，简单直接，|w|,也就是类似于y= x的一个形式，确定滤波器的宽度，那么滤波器的幅值也就确定了，如何确定滤波器的宽度呢？假设探测器的宽度是Nc = 880，对应的|w|的的绝对值的取值范围就应该是-Nc/2+0.5:Nc/2-0.5,这里是想对投影数据做滤波，也就是需要用卷积来实现，如果要用FFT，那么就要求两个序列的长度是一致的，才能做圆周卷积，而圆周卷积可以用DFT（也即是FFT）来实现，这就是为什么滤波器的长度要和投影数据的长度取一直的原因？

7 冲击函数

https://blog.csdn.net/qq_45732223/article/details/106443845
周期为△T的冲激串的傅里叶变换还是冲激串，其周期为1/△T，所谓周期，也就是两个冲击函数之间的间隔

8 希尔伯特变换对数据相移90有什么用

https://blog.csdn.net/weixin_44982036/article/details/108858194
相移90°，怎么就等效于在做滤波？
这个逻辑有问题，是1/pit和信号的卷积，在频域里面的体现是相移了90的效果，而不是为了相位移动90°去做的卷积
现实中存在的信号都是实信号，但是为了在信号处理中分析方便，就会将信号变为相应的复信号
在这里插入图片描述

所谓解析信号，就是只有正频率部分，没有负频率部分
由上图中看出，解析信号只包含正频率，没有负频率，也就是说如果一个信号只在频率大于零的时候有分量，则这个信号一定能写成解析信号的形式，对这个信号求其实部一定就是 f(t) ，虚部一定就是 f(t) 的希尔伯特变换。将实数信号变换成解析信号的结果就是，把一个一维的信号变成了二维复平面上的信号，复数的模和幅角代表了信号的幅度和相位。
在这里插入图片描述
希尔伯特变换的物理意义就是把信号从双边谱变成单边谱，避免频谱浪费

希尔伯特变换，本质是在做卷积，卷积等效于做傅里叶域的乘积，在傅里叶域里面，已经是在复频域里面了，复频域包含傅里叶域，还构建解析信号做什么
构建解析信号是希尔伯特的一种用途，不是一定要做在希尔伯特里面用这个

10 什么时候会用到圆周卷积，圆周卷积和DFT是什么关系？

其实圆周运算是针对周期序列而言的，由于周期序列在每一个周期内的取值都相同，所以我们只关注它的主值区间，比如，如果一个序列的长度为N
的话，那么它的主值区间就是0≤n≤N−1。虽然圆周运算是源自于对周期信号的处理，但是经过一般化的扩展之后，对有限长序列也可以进行圆周运算。具体就是，你可以把有限长序列以它的长度为周期，进行周期延拓成一个周期序列，然后进行运算，然后取其主值区间进行观察得到的结果。

其实圆周卷积就是卷积运算的一种，前面第3点也描述了，什么时候要用到卷积，一个信号要被一个系统处理的时候，比如滤波，就要用到卷积运算，圆周卷积只不过是线性卷积的一种特殊情况，当这个信号是有限长信号的时候，和系统卷积，就可以用圆周卷积来处理，圆周卷积的实现是通过所谓的圆周位移来实现的。而DFT可以对有限长的离散信号做傅里叶变换，且时域卷积等于频域的乘积，圆周卷积就可以用DFT，将信号从时域变到频域，然后卷积运算变成了频域的点对点的乘法运算。
在这里插入图片描述

11 fft补0到底有什么用？栅栏效应？频谱泄露？

https://blog.csdn.net/u012444155/article/details/40107483
离散傅里叶变换(DFT)的输入是一组离散的值，输出同样是一组离散的值。在输入信号而言，相邻两个采样点的间隔为采样时间Ts。在输出信号而言，相邻两个采样点的间隔为频率分辨率fs/N，其中fs为采样频率，其大小等于1/Ts，N为输入信号的采样点数。这也就是说，DFT的频域分辨率不仅与采样频率有关，也与信号的采样点数有关。那么，如果保持输入信号长度不变，但却对输入信号进行补零，增加DFT的点数，此时的分辨率是变还是不变？

答案是此时分辨率不变。进行zero padding只是增加了数据的长度，而不是原信号的长度。就好比本来信号是一个周期的余弦信号，如果又给它补了9个周期长度的0，那么信号并不是10个周期的余弦信号，而是一个周期的余弦加一串0，补的0并没有带来新的信息。其实zero padding等价于频域的sinc函数内插，而这个sinc函数的形状（主瓣宽度）是由补0前的信号长度决定的，补0的作用只是细化了这个sinc函数，并没有改变其主瓣宽度。增加0可以更细致观察频域上的信号，但不会增加频谱分辨率。

频谱分辨率：
在这里插入图片描述

总结：
https://blog.csdn.net/xingsongyu/article/details/103390317
在时域补0，对分辨率是没有影响的，分辨率的直接决定因素是采样频率fs = 1/T，T为采样间隔，对应的频域信号相邻两个采样点的间隔为频率分辨率 fs/N，N对应时域的数据点数，时域补0，也即是增大N，会减小 fs/N，也即频域的采样点之间的间隔会减小，也即频域的点的分布会变密集，但是频域内点的分布总宽度是不变的，如果将频域离散的点连接起来，看到的就是曲线变光滑了

栅栏效应：
对信号进行DFT将得到离散的频谱值，因此信号频谱也会受到“栅栏效应”的约束。经过这种采样所显示出来的频谱仅在各采样点上，而不在此类点上的频谱都显示不出来，即使在其他点上有重要的峰值也会被忽略，这就是栅栏效应。这一效应对于周期信号尤为重要，因其频谱是离散的，如处理不当这些离散谱线可能不被显示
不管是时域采样还是频域采样，都有相应的栅栏效应。只是当时域采样满足采样定理时，栅栏效应不会有什么影响。而频域采样的栅栏效应则影响很大，“挡住”或丢失的频率成分有可能是重要的或具有特征的成分，使信号处理失去意义。
减小栅栏效应可用提高采样间隔也就是频率分辨力的方法来解决。间隔小，频率分辨力高，被“挡住”或丢失的频率成分就会越少。但会增加采样点数，使计算工作量增加。

频谱泄露：
产生原因：http://www.360doc.com/content/21/0221/08/42387867_963129244.shtml
在这里插入图片描述

泄漏与窗函数频谱的两侧旁瓣有关，如果两侧p旁瓣的高度趋于零，而使能量相对集中在主瓣，就可以较为接近于真实的频谱。低旁瓣会减少FFT的泄漏，但是增加主瓣的带宽。
在这里插入图片描述
其中“栅栏效应”更关心的是信号做DFT计算得到的离散频谱的视觉效果，也就是所谓的“计算分辨率”；频谱分辨率则是更加基础的概念，指的是DTFT区分谱峰的能力，也就是“物理分辨率”。在不增加数据信息的前提下，采用任何算法只能改善频谱的视觉效果，规避“栅栏效应”。原信号尾端补零，再进行fft，和直接进行频域插值理论上是等效的