基于傅里叶变换和小波变换的图像稀疏表示
基于二维傅里叶变换和小波变换的图像稀疏表示
一、基于二维傅里叶变换的图像稀疏表示
傅里叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析。一幅静止的数字图像可以看成是矩阵，因此，数字图像处理主要是对包含数据的矩阵进行处理。
经过对图像进行二维离散傅里叶变换可以得到它的频谱，进而得到我们所需要的特征。二维离散傅里叶变换及逆变换可以表示为：
其中u=0,1,2,...,M-1和v=0,1,2,...,N-1。其中变量u和v用于确定它们的频率，频域系统是由F(u,v)所张成的坐标系，其中u和v用做（频率）变量。空间域是由f(x,y)所张成的坐标系。
傅立叶频谱图上我们看到的明暗不一的亮点，其意义是指图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。下图为cameraman原图像及其频谱分布图：
cameraman原图像大小为256*256，其傅里叶变换频谱图大小为256*256。
图像从频域到时域的变换过程称为重构过程，通过峰值信噪比（PSNR）对图像进行评价，公式如下：
PSNR=10*log10((2^n-1)^2/MSE)
MSE是原图像与处理后图像之间均方误差，n是每个采样值的比特数。通过取不同的大系数个数观察图像变化，单独取第1个大系数时：
N=1 PSNR=12.2353所取频谱系数对应图
单独取第9个系数时：
N=1 PSNR=6.3108第9个频谱系数对应图
N=2 PSNR= 13.1553所取频谱系数对应图
N=10 PSNR=15.4961 所取频谱系数对应图
N=50 PSNR=17.1111 所取频谱系数对应图
N=100 PSNR=17.9232 所取频谱系数对应图
N=1000 PSNR=21.5791 所取频谱系数对应图
N=5000 PSNR=25.5610 所取频谱系数对应图
N=20000 PSNR=31.6995 所取频谱系数对应图
从以上图片中可以分析得到，随着大系数的数量不断加大，PSNR值逐步增加，重构图像的效果越好，在大系数到20000个时，图像效果已经较好。
二、基于小波变换的图像稀疏表示
小波分析理论作为新的时频分析工具，在信号处理和图像处理中得到了很好的应用。
而一幅图像可以看成是一个矩阵，对图像处理就是对矩阵做变换，从而可以进行以下处理。
1、首先读取图像；
2、然后做小波变换；
3、对变换系数做从大到小排序，取其第N个数max_N；
4、比max_N大的系数保留，比max_N小的系数置零；
5、然后做逆变换，恢复图像。
仿真结果：
下图为cameraman原图像与其一级小波变换：
以下图片为取不同大系数个数时的恢复图像及PSNR值：
下图为单独取第1个大系数时的恢复图像：
N=1 PSNR=5.5834 所取系数对应的小波变换图下图为单独取第9个大系数时的恢复图像：
N=1 PSNR=5.5833 所取系数对应的小波变换图以下图片为取多个大系数时的恢复图像：
N=10 PSNR=5.5914 所取系数对应的小波变换图
N=100 PSNR= 5.6599 所取系数对应的小波变换图
N=1000 PSNR= 6.1578 所取系数对应的小波变换图
N=5000 PSNR= 8.7984 所取系数对应的小波变换图
N=10000 PSNR= 14.9772 所取系数对应的小波变换图
N=20000 PSNR= 35.2242 所取系数对应的小波变换图通过选取不同的大系数个数，发现图像随着大系数个数的增加而变的清晰，并且PSNR 值也随着大系数个数在增加，这说明图像的逼近效果随着大系数个数的增加变得越来越好。
下图为cameraman图像傅里叶变换与haar小波变换大系数逼近的PSNR值与大系数个数之间的关系对比图，其中蓝线表示傅里叶大系数个数与PSNR的关系，红线表示haar小波大系数个数与PSNR的关系：
由上图可以看出，PSNR值随着大系数个数增加而变大，重构图像随着大系数个数的增加而变的清晰，并且当大系数个数小于某一个界限时，傅里叶的重构效果明显要比haar小波的好许多，但是随着大系数个数的增加，haar小波的重构效果比傅里叶的要好许多。
小波变换与傅里叶变换的对比异同
小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi 标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢？b取多少才合适呢？于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不?,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件?后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件???,就是? 短时傅立叶变换试验 为了克服傅立叶变换的时频局部化方面的不足，也是为了对时域信号作局部分析，D.Gabor 于1946年提出了窗口傅立叶变换（简记为WFT ）。 WFT 的公式形式 ()(,)()()j w t R G f w b f t w t b e d t -=-?()(,)()()j w t R G f w b f t w t b e d t -=-? 其中，实函数w(t)为是时窗函数，窗函数w(t)具有较强的衰减性，所以要精心选择窗函数。 下面是一个短时傅立叶变换的代码程序 function timefreq(x,Nw,window) % 待分析信号，行向量，Nw 时窗宽度 subplot(2,2,1); plot(real(x));%描绘待分析信号 X=fft(x);%快速傅里叶变换 X=fftshift(X);%调整0频位置 subplot(2,2,2); plot(abs(X));%描绘幅度谱 Lap=Nw/2;%重叠宽度 Tn=(length(x)-Lap)/(Nw-Lap);%计算分段数目 nfft=2^ceil(log2(Nw));%做fft 的点数 TF=zeros(Tn,nfft);%时频矩阵 for i=1:Tn if(strcmp(window,'rec')) Xw=x((i-1)*10+1:i*10+10);%加窗矩形处理 elseif(strcmp(window,'Hamming')) Xw=x((i-1)*10+1:i*10+10).*Hamming(Nw)';%加hamming 处理 elseif(strcmp(window,'Blackman')) Xw=x((i-1)*10+1:i*10+10).*Blackman(Nw)';%加black 处理 elseif(strcmp(window,'Gauss')) Xw=x((i-1)*10+1:i*10+10).*Gauss(Nw)';%加Gauss 处理 else return; end temp=fft(Xw,nfft);%求fft temp=fftshift(temp);%调整0频位置 TF(i,:)=temp;%保存分段fft 结果 end %绘制时频分析结果 subplot(2,2,3); fnew=((1:nfft)-nfft/2)/nfft; tnew=(1:Tn)*Lap; [F,T]=meshgrid(fnew,tnew); mesh(T,F,abs(TF)); xlabel('n');ylabel('w');zlabel('Gf'); 傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用（例如在信号处理中，傅里叶变换的典型用途是将信号分解成幅值分量和频率分量）。 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。 傅里叶变换是一种解决问题的方法，一种工具，一种看待问题的角度。理解的关键是：一个连续的信号可以看作是一个个小信号的叠加，从时域叠加与从频域叠加都可以组成原来的信号，将信号这么分解后有助于处理。 我们原来对一个信号其实是从时间的角度去理解的，不知不觉中，其实是按照时间把信号进行分割，每一部分只是一个时间点对应一个信号值，一个信号是一组这样的分量的叠加。傅里叶变换后，其实还是个叠加问题，只不过是从频率的角度去叠加，只不过每个小信号是一个时间域上覆盖整个区间的信号，但他确有固定的周期，或者说，给了一个周期，我们就能画出一个整个区间上的分信号，那么给定一组周期值（或频率值），我们就可以画出其对应的曲线，就像给出时域上每一点的信号值一样，不过如果信号是周期的话，频域的更简单，只需要几个甚至一个就可以了，时域则需要整个时间轴上每一点都映射出一个函数值。 傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反。这都是一个信号的不同表示形式。它的公式会用就可以，当然把证明看懂了更好。 对一个信号做傅里叶变换，可以得到其频域特性，包括幅度和相位两个方面。幅度是表示这个频率分量的大小，那么相位呢，它有什么物理意义频域的相位与时域的相位有关系吗信号前一段的相位（频域）与后一段的相位的变化是否与信号的频率成正比关系。 傅里叶变换就是把一个信号，分解成无数的正弦波（或者余弦波）信号。也就是说，用无数的正弦波，可以合成任何你所需要的信号。 function [Spec,Freq]=STFT(Sig,nLevel,WinLen,SampFreq) %计算离散信号的短时傅里叶变换； % Sig 待分析信号； % nLevel 频率轴长度划分（默认值512）； % WinLen 汉宁窗长度（默认值64）； % SampFreq 信号的采样频率（默认值1）； if (nargin <1), error('At least one parameter required!'); end; Sig=real(Sig); SigLen=length(Sig); if (nargin <4), SampFreq=1; end if (nargin <3), WinLen=64; end if (nargin <2), nLevel=513; end nLevel=ceil(nLevel/2)*2+1; WinLen=ceil(WinLen/2)*2+1; WinFun=exp(-6*linspace(-1,1,WinLen).^2); WinFun=WinFun/norm(WinFun); Lh=(WinLen-1)/2; Ln=(nLevel-1)/2; Spec=zeros(nLevel,SigLen); wait=waitbar(0,'Under calculation,please wait...'); for iLoop=1:SigLen, waitbar(iLoop/SigLen,wait); iLeft=min([iLoop-1,Lh,Ln]); iRight=min([SigLen-iLoop,Lh,Ln]); iIndex=-iLeft:iRight; iIndex1=iIndex+iLoop; iIndex2=iIndex+Lh+1; Index=iIndex+Ln+1; Spec(Index,iLoop)=Sig(iIndex1).*conj(WinFun(iIndex2)); end; close(wait); Spec=fft(Spec); Spec=abs(Spec(1:(end-1)/2,:)); 傅里叶变换图像压缩 ————————————————————————————————作者：————————————————————————————————日期： ＤSP实验进度汇报 组员：汪张扬、任艳波、陈雪松、谢聪、沈旭 任务分配：汪张扬由于考Ｇ,上周没有任务,沈旭负责自制二值图像的处理，陈雪松和谢聪负责其他图片的处理,任艳波负责搜集图像压缩评价的相关材料 以下为简要概括: 读入图像进行傅里叶变换和压缩 原始程序： a=imreａd(＇d:\１.jpｇ');b=figｕre;ｉｍshow（ａ);tiｔle（'原始图像'); F=fft2(ａ）; F_mｍ＝abs(Ｆ);fiｇｕrｅ；imshow(F）;tｉtle('原始幅度谱'）； Fshift＝fftｓｈiｆt（F）； Ｆ_m=abs(Fshiｆt);ｆｉguｒe;ｉｍshow(F_ｍ);ｔitle('幅度谱'); F_p＝ａnｇle(Fｓhｉfｔ);ｆｉguｒe;imshow（Ｆ_p）;title(＇相位谱＇）； Ｔ=＠fft2; B1=blkproc（a,[8 ８]，Ｔ);%将图像分块为８×8矩阵进行处理 fｉguｒe; imshｏw(ａ); ｔiｔle(＇原始图像')； mask=[１０0 ００0 00 0 10 0 0 0 0 0 ０0 1 ００0 0 ０ ０0 0 1 ００0 0 ００0 0 ０００0 0 0０0 0 1 0 0 0 0 0 000 1 0 ０0 0 0 ０0 ０1];％与该矩阵相乘去掉中间行,即高频部分 B2＝ｂlkproc(B1,[88］,'P1*x',mask)； fun=@ｉfft２； F3=blkproc(Ｂ2,[88],fun)； F＝mａt2graｙ(F３); fｉgure; iｍshow(F); ｔitｌe('压缩87．５%的图像'); 刚开始的原始图像: 从头到尾彻底理解傅里叶变换算法、上 从头到尾彻底理解傅里叶变换算法、上 前言 第一部分、DFT 第一章、傅立叶变换的由来 第二章、实数形式离散傅立叶变换（Real DFT） 从头到尾彻底理解傅里叶变换算法、下 第三章、复数 第四章、复数形式离散傅立叶变换 前言： “关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解”---dznlong， 那么，到底什么是傅里叶变换算法列?傅里叶变换所涉及到的公式具体有多复杂列? 傅里叶变换（Fourier transform）是一种线性的积分变换。因其基本思想首先由法国学者傅里叶系统地提出，所以以其名字来命名以示纪念。 哦，傅里叶变换原来就是一种变换而已，只是这种变换是从时间转换为频率的变化。这下，你就知道了，傅里叶就是一种变换，一种什么变换列?就是一种从时间到频率的变化或其相互转化。 ok，咱们再来总体了解下傅里叶变换，让各位对其有个总体大概的印象，也顺便看看傅里叶变换所涉及到的公式，究竟有多复杂： 以下就是傅里叶变换的4种变体（摘自，维基百科） 连续傅里叶变换 一般情况下，若“傅里叶变换”一词不加任何限定语，则指的是“连续傅里叶变换”。连续傅里叶变换将平方可积的函数f（t）表示成复指数函数的积分或级数形式。 这是将频率域的函数F(ω)表示为时间域的函数f（t）的积分形式。 连续傅里叶变换的逆变换(inverse Fourier transform)为： 即将时间域的函数f（t）表示为频率域的函数F(ω)的积分。 一般可称函数f（t）为原函数，而称函数F(ω)为傅里叶变换的像函数，原函数和像函数构成一个傅里叶变换对（transform pair）。 除此之外，还有其它型式的变换对，以下两种型式亦常被使用。在通信或是信号处理方面，常以来代换，而形成新的变换对: 或者是因系数重分配而得到新的变换对： 一种对连续傅里叶变换的推广称为分数傅里叶变换（Fractional Fourier Transform）。分数傅里叶变换(fractional Fourier transform,FRFT)指的就是傅里叶变换(Fourier transform,FT)的广义化。 分数傅里叶变换的物理意义即做傅里叶变换a 次，其中a 不一定要为整数；而做了分数傅里叶变换之后，信号或输入函数便会出现在介于时域(time domain)与频域(frequency domain)之间的分数域(fractional domain)。 基于二维傅里叶变换和小波变换的图像稀疏表示 一、基于二维傅里叶变换的图像稀疏表示 傅里叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析。一幅静止的数字图像可以看成是矩阵，因此，数字图像处理主要是对包含数据的矩阵进行处理。 经过对图像进行二维离散傅里叶变换可以得到它的频谱，进而得到我们所需要的特征。二维离散傅里叶变换及逆变换可以表示为： 其中u=0,1,2,...,M-1和v=0,1,2,...,N-1。其中变量u和v用于确定它们的频率，频域系统是由F(u,v)所张成的坐标系，其中u和v用做（频率）变量。空间域是由f(x,y)所张成的坐标系。 傅立叶频谱图上我们看到的明暗不一的亮点，其意义是指图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。下图为cameraman原图像及其频谱分布图： cameraman原图像大小为256*256，其傅里叶变换频谱图大小为256*256。 图像从频域到时域的变换过程称为重构过程，通过峰值信噪比（PSNR）对图像进行评价，公式如下： PSNR=10*log10((2^n-1)^2/MSE) MSE是原图像与处理后图像之间均方误差，n是每个采样值的比特数。通过取不同的大系数个数观察图像变化，单独取第1个大系数时： N=1 PSNR=12.2353所取频谱系数对应图 单独取第9个系数时： N=1 PSNR=6.3108第9个频谱系数对应图 N=2 PSNR= 13.1553所取频谱系数对应图 N=10 PSNR=15.4961 所取频谱系数对应图 N=50 PSNR=17.1111 所取频谱系数对应图 傅里叶变换在图像处理中的作用 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数 傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由梯度来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。为什么要提梯度？因为实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图，当然频谱图上的各点与图像上各点并不存在一一对应的关系，即使在不移频的情况下也是没有。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰 注： 1、图像经过二维傅立叶变换后，其变换系数矩阵表明： 若变换矩阵Fn原点设在中心，其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区)。若所用的二维傅立叶变换矩阵Fn的原点设在左上角，那么图像信号能量将集中在系数矩阵的四个角上。这是由二维傅立叶变换本身性质决定的。同时也表明一股图像能量集中低频区域。 2 、变换之后的图像在原点平移之前四角是低频，最亮，平移之后中间部分是低频，最亮，亮度大说明低频的能量大（幅角比较大） 傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量 详解傅里叶变换与小波变化 希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。如果不做特殊说明，均以离散小波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是basis。如果你暂时有些遗忘了basis的定义，那么简单说，在线性代 数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。那basis在变换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。小波变换自然也不例外的和basis有关了。再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。 既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。比如如果我们希望选取有利于压缩的话，那么就希望这个basis能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵(Tv_n= av_n，a是eigenvalue)。总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。 好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。接下来先看看，傅立叶变换是在干嘛。 傅里叶变换性质证明 Company number：【0089WT-8898YT-W8CCB-BUUT-202108】 傅里叶变换的性质 2.6.1线性 若信号和的傅里叶变换分别为和， 则对于任意的常数a和b，有 将其推广，若,则 其中为常数，n为正整数。 由傅里叶变换的定义式很容易证明线性性质. 显然傅里叶变换也是一种线性运算，在第一章我们已经知道了，线性有两个含义：均匀性和叠加性。均匀性表明，若信号乘以常数a，则信号的傅里叶变换也乘以相同的常数a，即 叠加性表明，几个信号之和的傅里叶变换等于各个信号的傅里叶变换之和 ? 2.6.2 反褶与共轭性 设f(t)的傅里叶变换为，下面我们来讨论信号反褶、共轭以及既反褶又共轭后，新信号的傅里叶变换。 （1）反褶 f(-t)是f(t)的反褶，其傅里叶变换为 （2）共轭 （3）既反褶又共轭 本性质还可利用前两条性质来证明： 设g(t)=f(-t)，h(t)=g*(t)，则 在上面三条性质的证明中，并没有特别指明f(t)是实函数还是复函数，因此,无论f(t)为实信号还是复信号，其傅里叶变换都满足下面三条性质2.6.3 奇偶虚实性 已知f(t)的傅里叶变换为。在一般情况下，是复函数，因此可以把它表示成模与相位或者实部与虚部两部分，即 ? 根据定义，上式还可以写成 下面根据f(t)的虚实性来讨论F()的虚实性。 (1) f(t)为实函数对比式(2-33)与(2-34)，由FT的唯一性可得 （）f(t)是实的偶函数，即f(t)=f(-t) X()的积分项是奇函数，而奇函数在对称区间内的积分为零，故 这时X()=0，于是 可见，若f(t)是实偶函数，则F()也是实偶函数，即 左边反褶，右边共轭 （）f(t)是实的奇函数，即-f(t)=f(-t) R()的积分项是奇函数，而奇函数在对称区间内的积分为零，故 这时R()=0，于是 可见，若f(t)是实奇函数，则F()是虚奇函数，即 左边反褶，右边共轭 有了上面这两条性质，下面我们来看看一般实信号（即可能既不是偶信号，又不是奇信号，反正不清楚，或者说是没有必要关心信号的奇偶特性）的FT频谱特点。 2.6.4对称性 研究生课程论文（作业）封面 （ 2014 至 2015 学年度第 1 学期） 课程名称：__________________ 课程编号：__________________ 学生姓名：__________________ 学号：__________________ 年级：__________________ 提交日期：年月日 成绩：__________________ 教师签字：__________________ 开课---结课：第周---第周 评阅日期：年月日 东北农业大学研究生部制 积分变换在工程上的应用 摘要：在现代数学中，傅里叶变换是一种非常重要的积分变换，且在数字信号处理中有着广泛的应用。本文首先介绍了傅里叶变换的基本概念、性质及发展情况；其次，详细介绍了分离变数法及积分变换法在解数学物理方程中的应用，并在分离变数法中对齐次方程及非齐次方程进行了区分。傅里叶变换在不同的领域有不同的形式，诸如现代声学，语音通讯，声纳，地震，核科学，乃至生物医学工程等信号的研究发挥着重要的作用。 关键词：傅里叶变换；偏微分方程；数字信号处理 1 概要介绍 积分变换无论在数学理论或其应用中都是一种非常有用的工具。最重要的积分变换有傅里叶变换、拉普拉斯变换。由于不同应用的需要，还有其他一些积分变换，其中应用较为广泛的有梅林变换和汉克尔变换，它们都可通过傅里叶变换或拉普拉斯变换转化而来。傅里叶变换的典型用途是将信号分解成幅值分量和频率分量。傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。要知道傅立叶变换算法的意义，首先要了解傅立叶原理的意义。傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的。 1.傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的。——（1） 2.傅里叶变换的逆变换容易求出，而且形式与正变换非常类似。 3.正弦基函数是微分运算的本征函数，从而使得线性微分方程的求解可以转化为常系数的代数方程的求解。在线性时不变的物理系统内，频率是个不变的性质，从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取。 ()()()()()()?? ? ??-++=-? ? ∞ +∞ +∞ -.,200,]cos [1 其它连续点处， 在t f t f t f t f d d t f ωττωτπ 当()t f 满足一定条件时，在()t f 的连续点处有： 数字图像的傅里叶变换 一. 课程设计目的 （1）了解图像变换的意义和手段 （2）熟悉傅里叶变换的基本性质 （3）热练掌握FFT的方法反应用 （4）通过本实验掌握利用MATLAB编程实现数字图像的傅里叶变换 二.课程设计要求 （1）熟悉并掌握傅立叶变换 （2）了解傅立叶变换在图像处理中的应用 （3）通过实验了解二维频谱的分布特点 （4）用MATLAB实现傅立叶变换仿真 三.设计思路 1.相关知识原理 （1）应用傅里叶变换进行数字图像处理 数字图像处理（digital image processing）是用计算机对图像信息进行处理的一门技术，使利用计算机对图像进行各种处理的技术和方法。 20世纪20年代，图像处理首次得到应用。20世纪60年代中期，随电子计算机的发展得到普遍应用。60年代末，图像处理技术不断完善，逐渐成为一个新兴的学科。利用数字图像处理主要是为了修改图形，改善图像质量，或是从图像中提起有效信息，还有利用数字图像处理可以对图像进行体积压缩，便于传输和保存。数字图像处理主要研究以下内容：傅立叶变换、小波变换等各种图像变换；对图像进行编码和压缩；采用各种方法对图像进行复原和增强；对图像进行分割、描述和识别等。随着技术的发展，数字图像处理主要应用于通讯技术、宇宙探索遥感技术和生物工程等领域。 傅里叶变换在数字图像处理中广泛用于频谱分析，傅里叶变换是线性系统分析的一个有力工具，它使我们能够定量地分析诸如数字化系统，采样点，电子放大器，卷积滤波器，噪声，显示点等地作用（效应）。傅里叶变换（FT）是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特 小波变换与傅里叶变换 的对比异同 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】 小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL 定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b 是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢b取多少才合适呢于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件,就是 傅里叶级数及变换的本质解释和形象阐述 ——老师不会这么讲，书上也不会讲很多人学信号与系统、数字信号处理学了几年，关于傅里叶级数和傅里叶变换可能还是一知半解，只能套用公式，根本不理解为什么要这么算，也就是有什么实际含义——可以说，几乎所有信号与系统里面的数学公式都是有实实在在的物理含义的！那么，什么是傅里叶变换，它是怎样一种变换，具体有怎么变换，有没有确切一点或者形象一点的物理解释呢？下面笔者将尝试将自己的理解比较本质和形象地讲出来，形式是思考探讨渐进的模式，也就是我自己的思考过程，希望对大家有所帮助。 首先，要知道傅里叶变换是一种变换，准确点说是投影。傅里叶变换的投影问题，一直想不明白那一系列的正交函数集，到底是什么样一个函数集合，或者说是怎么样的一个空间。所谓三角傅里叶级数当成谐波分析的时候很好理解——同一个时间轴，也就是说同一个维度的分解和叠加，肯定没错，也很实用。但是要是从投影（或者说变换）的角度来说，怎么解释呢？这一系列正弦余弦的函数，在一个区间内，是一个完备的正交函数集，每一个函数所带的系数（或者叫权重），就是原函数在这个函数的方向上的一个投影（说方向不准确，但找不到其他的词）。那么，原函数到底是一个什么样的函数，和各正交基函数又是怎样的一种关系呢？这个投影又是怎么投的呢？三维或者二维空间，一个矢量在各正交基的投影很好理解，那么，傅里 叶变换的正交基函数，也是这样一种相互垂直的关系么？？？投影也是取余弦值么？ 这可以很容易地想清，我们只用余弦或者只用正弦就可以，如cos(2pi*nf0)系列，显然每两个函数图像之间不可能是垂直关系，相反可以看出这是在同一个维度里面的！所以上面两个答案是否定的。 那么，到底是怎么正交、怎么投影的呢。出现这个问题，是因为开始看书的时候我看得太粗心太浅显，没有认真透彻地理解函数正交的含义，没想到那才是最重要最根本的，从那里面再深刻理解一下，问题就迎刃而解。 函数正交和矢量正交完全不一样，是两个概念。函数正交是两个函数，一个不变另一个取共轭值然后逐点相乘再求积分的结果，积分就涉及到一个区间，这也很重要。如果满足：当这两个函数不同时，积分值为0；当两函数相同，积分值不为0。那么这两个函数在这个区间上正交。现在再回过头去看正弦或者余弦函数序列，在各个周期内，都满足上述条件，在正弦和余弦函数之间同样满足，所以这些函数是正交的。至于完备，很明显看出，不去证明了。 第一个问题解决了，现在看怎么去投影了。为更易于理解，我们取指数傅里叶变换为例。众所周知exp(jwt)表示的是一个圆周，我们用来作傅里叶变换的因子，正是这个形式（exp(-jwt)），这里我们还要理解一下傅里叶变换和傅里叶级数的区别，前者求的是复指数傅里叶级数的系数，即每个正交函数的系数（权重），复指数傅里叶级数的正交函数集正是exp(jwt)，所以求系数刚好乘以一个共轭 几种时频分析方法综述1——傅里叶变换和小波变换 夏巨伟 (浙江大学空间结构研究中心) 摘要：传统的信号理论，是建立在Fourier 分析基础上的，而Fourier 变换作为一种全局性的变化，其有一定的局限性。在实际应用中人们开始对Fourier 变换进行各种改进，小波分析由此产生了。小波变换与Fourier 变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（Multiscale Analysis ），解决了Fourier 变换不能解决的许多困难问题。本文对傅里叶变换和小波变换进行了详细介绍，并用算例分析指出了两者的差别。 关键词：傅里叶变换；小波变换；时频分析技术； 1 傅里叶变换（Fourier Transform ） 1 2/201 22/0()()()()1()()()(::::)N j nk N ft N ft j nk N n H T h kT e H f h t e d DFT FT IFT IDFT t NT k h t H f e dt h nT H e N NT ππππ--∞ --∞∞--∞?=??=??????????→????=?=??? ∑??∑离散化(离散取样) 周期化（时频域截断） 2 小波变换（Wavelet Transform ） 2.1 由傅里叶变换到窗口傅里叶变换（Gabor Transform(Short Time Fourier Transform)/） 从傅里叶变换的定义可知，时域函数h(t)的傅里叶变换H(f )只能反映其在整个实轴的性态，不能反映h （t ）在特定时间区段内的频率变化情况。如果要考察h(t)在特定时域区间（比如：t ∈[a,b]）内的频率成分，很直观的做法是将h(t)在区间t ∈[a,b]与函数[][]11,t ,()0,t ,a b t a b χ?∈?=? ∈??，然后考察1()()h t t χ傅里叶变换。但是由 于1()t χ在t= a,b 处突然截断，导致中1()()h t t χ出现了原来h （t ）中不存在的不连 续，这样会使得1()()h t t χ的傅里叶变化中附件新的高频成分。为克服这一缺点， D.Gabor 在1944年引入了“窗口”傅里叶变换的概念，他的做法是，取一个光滑的函数g(t),称为窗口函数，它在有限的区间外等于0或者很快地趋于0，然后将窗口函数与h(t)相乘得到的短时时域函数进行FT 变换以考察h(t)在特定时域内的频域情况。 22(,)()()()()(,)ft f ft f STFT ISTF G f h t g t e dt h t df g t G f e d T ππτττττ +∞ --∞ +∞+∞ -∞ -∞ =-=-??? ：： 短时距傅里叶变换(英文：short-time Fourier transform, STFT，又称short-term Fourier transform)是和傅里叶变换相关的一种数学变换关系，用以决定时变信号其局部段落之弦波成份的频率与相位。 简单来说，在连续时间的例子，一个函数可以先乘上仅在一段时间不为零的窗函数(window function)再进行一维的傅里叶变换。再将这个窗函数沿着时间轴挪移，所得到一系列的傅里叶变换结果排开则成为二维表象。数学上，这样的操作可写为： 其中w(t)是窗函数，通常是翰氏窗函数(Hann window)或高斯函数的“丘型”分布，中心点在零，而x(t)是待变换的信号。X(τ,ω)本质上是x(t)w(t?τ)的傅里叶变换，乃一个复函数代表了信号在时间与频率上的强度与相位。 短时傅里叶变换（STFT，short-time Fourier transform，或 short-term Fourier transform)）是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。 它的思想是：选择一个时频局部化的窗函数，假定分析窗函数g(t)在一个短时间间隔内是平稳（伪平稳）的，移动窗函数，使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。短时傅里叶变换使用一个固定的窗函数，窗函数一旦确定了以后，其形状就不再发生改变，短时傅里叶变换的分辨率也就确定了。如果要改变分辨率，则需要重新选择窗函数。短时傅里叶变换用来分析分段平稳信号或者近似平稳信号犹可，但是对于非平稳信号，当信号变化剧烈时，要求窗函数有较高的时间分辨率；而波形变化比较平缓的时刻，主要是低频信号，则要求窗函数有较高的频率分辨率。短时傅里叶变换不能兼顾频率与时间分辨率的需求。短时傅里叶变换窗函数受到W.Heisenberg不确定准则的限制，时频窗的面积不小于2。这也就从另一个侧面说明了短时傅里叶变换窗函数的时间与频率分辨率不能同时达到最优。短时傅立叶变换试验
傅里叶变换拉普拉斯变换的物理解释及区别
短时傅里叶变换matlab程序
傅里叶变换图像压缩
(完整版)从头到尾彻底理解傅里叶变换算法
基于傅里叶变换和小波变换的图像稀疏表示
图像傅里叶变换的物理意义
详解傅里叶变换与小波变换
傅里叶变换性质证明
傅里叶变换
数字图像的傅里叶变换
小波变换与傅里叶变换的对比异同
傅里叶级数及变换的本质解释和形象阐述
几种时频分析综述1——傅里叶变换和小波变换
短时傅里叶变换