傅里叶变换和小波的一些笔记

一图搞懂傅里叶变换

实验

首先用这张图

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('../input/ffttest/fftpic.png',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)
magnitude_spectrum = 20*np.log(np.abs(fshift))
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

下图是灰度图和fft后的频谱

import cv2 as cv

import numpy as np

from matplotlib import pyplot as plt

#读取图像

img = cv.imread('../input/ffttest/fftpic.png', 0)

#傅里叶变换

f = np.fft.fft2(img)

fshift = np.fft.fftshift(f)

res = np.log(np.abs(fshift))

#傅里叶逆变换

ishift = np.fft.ifftshift(fshift)

iimg = np.fft.ifft2(ishift)

iimg = np.abs(iimg)

#展示结果

plt.subplot(131), plt.imshow(img, 'gray'), plt.title('Original Image')

plt.axis('off')

plt.subplot(132), plt.imshow(res, 'gray'), plt.title('Fourier Image')

plt.axis('off')

plt.subplot(133), plt.imshow(iimg, 'gray'), plt.title('Inverse Fourier Image')

plt.axis('off')

plt.show()

经过逆变换后可以复原图像

滤波

白色是低频部分，可以滤掉低频获得轮廓,滤掉高频得到模糊的图像

rows, cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
# 首先创建一个掩码，中心正方形为1，其余全为零
mask = np.zeros((rows,cols,2),np.uint8)
mask[crow-30:crow+30, ccol-30:ccol+30] = 1
# 应用掩码和逆DFT
fshift = dft_shift*mask
f_ishift = np.fft.ifftshift(fshift)
img_back = cv.idft(f_ishift)
img_back = cv.magnitude(img_back[:,:,0],img_back[:,:,1])
plt.subplot(121),plt.imshow(img, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(img_back, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

这个是滤掉高频部分的
下面是轮廓部分：

将高通滤波和低通滤波结合起来就是带通滤波
比如：

呵呵，很诡异啊

功率谱和小波

关于信号
信号的能量：

能量/时间为功率：

功率信号：
大概意思就是功率有限，能量无限

功率谱psd
定义：
时转频分析，将能量分解到频率上，根据方差贡献诊断周期

功率谱求法：

为什么功率型号不用fft：

进一步从数学的角度看看：
周期变化函数展开傅里叶级数：

既然有无数波叠加那么就有振幅和相位


功率谱：

推导太恶心了大概就是这么个意思：
就是时域上的功率分解到频率上，离散的就是求和，连续就是积分

那么这里从公式上看能量就是方差对吧，这个是吧时域上的能量分解到频域上从最后一个公式可以看出

功率谱计算数学推导：
离散：

连续：

计算步骤，这里参考魏凤英的，黄的太细了看的眼睛疼
两种计算方法：

1. 直接傅里叶展开

2.滞后自相关求解

得到粗谱估计后平滑

完整流程

根据r(0)来选择用白噪声还是红噪声检验
例子
这个就很明显，6-7年的震荡

暴雨的功率谱
终于是让我找到了一个
结合功率谱和最大熵谱来确定周期，当然这个比小波要粗糙的多属于全域上的

小波分析

意义：

小波变换：

一般用墨西哥帽小波变换和morlet小波变换
这里结合黄和魏的一块来看公式，一个太详细抽象，一个太简单偏工具性质。
fft提取不到局部的频率特征，就有了加窗fft：

给这个窗加两个伸缩系数就是小波变换

小波方差：

小波分析在暴雨中的应用
小波功率谱分析

小波系数分析

系数和功率谱一块分析

这个是最完整的分析

我又找到一个更完善的分析，不愧是国家气象中心的大佬，我觉得这个分析的很全了。


大概意思就是自相关算的那个功率谱是全局跟之前贴的描述差不多，小波的功率谱可以看时间区间上的显著周期，而功率谱power方差可以更进一步把小波里显著的周期提出来在算一遍，更清晰的看到哪几年的区间是有这个周期的