傅里叶变换公式整理

傅里叶变换公式整理1、一维傅里叶变换1.1一维连续傅里叶变换正变换:F(ω)=∫−∞∞f(t)⋅e−iωtdtF(\omega)=\int_{-\infty}^{\infty}f(t)\cdote^{-i\omegat}dtF(ω)=∫−∞∞​f(t)⋅e−iωtdt逆变换:f(t)=∫−∞∞F(ω)⋅eiωtdωf(t)=\int_{-\infty}^{\infty}F(\o…

大家好,又见面了,我是你们的朋友全栈君。

1、一维傅里叶变换

1.1 一维连续傅里叶变换

  • 正变换:

F ( ω ) = ∫ − ∞ ∞ f ( t ) ⋅ e − i ω t d t F(\omega) = \int_{-\infty}^{\infty}f(t)\cdot e^{-i\omega t}dt F(ω)=f(t)eiωtdt

  • 逆变换:

f ( t ) = ∫ − ∞ ∞ F ( ω ) ⋅ e i ω t d ω f(t) = \int_{-\infty}^{\infty}F(\omega)\cdot e^{i\omega t}d\omega f(t)=F(ω)eiωtdω

1.2 一维离散傅里叶变换

  • 正变换:

F ( u ) = ∑ x = 0 N − 1 f ( x ) ⋅ e − i 2 π N x u u = 0 , 1 , 2 , . . . , N − 1 F(u) = \sum_{x=0}^{N-1}f(x)\cdot e^{-i\frac{2\pi}{N}xu} \\ u = 0,1,2, … , N-1 F(u)=x=0N1f(x)eiN2πxuu=0,1,2,...,N1

  • 逆变换:

f ( x ) = 1 N ∑ u = 0 N − 1 F ( u ) ⋅ e i 2 π N x u x = 0 , 1 , 2 , . . . , N − 1 f(x) = \frac{1}{N}\sum_{u=0}^{N-1}F(u)\cdot e^{i\frac{2\pi}{N}xu}\\x = 0,1,2, … , N-1 f(x)=N1u=0N1F(u)eiN2πxux=0,1,2,...,N1

2、二维傅里叶变换

2.1 二维连续傅里叶变换

  • 正变换
    F ( u , v ) = ∫ − ∞ ∞ ∫ − ∞ ∞ f ( x , y ) e − j 2 π ( u x + v y ) d x d y F(u,v)=\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y)e^{-j2\pi(ux+vy)}dxdy F(u,v)=f(x,y)ej2π(ux+vy)dxdy

  • 逆变换
    f ( x , y ) = ∫ − ∞ ∞ ∫ − ∞ ∞ F ( u , v ) e j 2 π ( u x + v y ) d u d v f(x,y)=\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}F(u,v)e^{j2\pi(ux+vy)}dudv f(x,y)=F(u,v)ej2π(ux+vy)dudv

2.2 二维离散傅里叶变换

令f(x,y)表示一幅大小为MXN像素的数字图像,其中,x=0,1,2,…,M-1, y=0,1,2,…,N-1,由F(u,v)表示的f(x,y)的二维离散傅里叶变换(DFT)由下式给出:

F ( u , v ) = ∑ x = 0 M − 1 ∑ y = 0 N − 1 f ( x , y ) e − j 2 π ( u x M + v y N ) u , v = 0 , 1 , 2 , . . . , N − 1 F(u,v) = \sum_{x=0}^{M-1}\sum_{y=0}^{N-1}f(x,y)e^{-j2\pi(\frac{ux}{M}+\frac{vy}{N})}\\u,v = 0, 1, 2, … , N-1 F(u,v)=x=0M1y=0N1f(x,y)ej2π(Mux+Nvy)u,v=0,1,2,...,N1

式子当中,u也是属于0到M-1,v属于0到N-1。频率域就是属于u,v作为频率变量,由F(u,v)构成的坐标系,这块MXN的区域我们通常称为频率矩形,很明显频率矩形的大小和输入图像的大小相同。

有傅里叶变换,当然就有傅里叶反变换(IDFT):
f ( x , y ) = 1 M N ∑ u = 0 M − 1 ∑ v = 0 N − 1 F ( u , v ) e j 2 π ( u x M + v y N ) x , y = 0 , 1 , 2 , . . . , N − 1 f(x,y) = \frac{1}{MN}\sum_{u=0}^{M-1}\sum_{v=0}^{N-1}F(u,v)e^{j2\pi(\frac{ux}{M}+\frac{vy}{N})}\\ x,y = 0, 1, 2, … , N-1 f(x,y)=MN1u=0M1v=0N1F(u,v)ej2π(Mux+Nvy)x,y=0,1,2,...,N1

clc,clear;
a = [1 2 3 5 5 ; 4 7 9 5 4;1 4 6 7 5;5 4 3 7 1;8 7 5 1 3];%a矩阵取5*5
b = [1 5 4; 3 6 8; 1 5 7]; %b矩阵如多数模板一样取3*3
c = conv2(a,b)
d = conv2(a,b,'same')

a(7,7) = 0;
b(7,7) = 0;
e = ifft2(fft2(a).*fft2(b)) % .* 对应元素相乘

%
c =
     1     7    17    28    42    45    20
     7    39    89   127   134   110    56
    14    61   151   212   229   177    87
    12    74   165   226   245   174    72
    24    98   178   190   179   155    55
    29    98   179   139   112    80    31
     8    47    96    75    43    22    21
%

%
d =

    39    89   127   134   110
    61   151   212   229   177
    74   165   226   245   174
    98   178   190   179   155
    98   179   139   112    80
%

%
e =

    1.0000    7.0000   17.0000   28.0000   42.0000   45.0000   20.0000
    7.0000   39.0000   89.0000  127.0000  134.0000  110.0000   56.0000
   14.0000   61.0000  151.0000  212.0000  229.0000  177.0000   87.0000
   12.0000   74.0000  165.0000  226.0000  245.0000  174.0000   72.0000
   24.0000   98.0000  178.0000  190.0000  179.0000  155.0000   55.0000
   29.0000   98.0000  179.0000  139.0000  112.0000   80.0000   31.0000
    8.0000   47.0000   96.0000   75.0000   43.0000   22.0000   21.0000
%
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/160825.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 中国移动apn接入点选哪个网速快(中国移动数据接入点怎么设置)

    中国移动有cmwap,cmnet和LTE三种网络接入点。这三个网络接入点的特点各有不同。其中LTE就是指4G,网络速度相较其他两种接入点速度更快,流量损耗速度也更快。具体介绍如下:1、CMNET可以获得完全的Internet访问权。我们通过CMWAP只能访问WAP网站。CMWAP使用HTTP代理协议和WAP网关协议可以访问到Internet。CMNET则适用于所有协议,它也是标准的TCP/IP协议…

  • 多重共线性检验-方差膨胀系数(VIF)-相关系数(机器学习)sklearn

    多重共线性检验-方差膨胀系数(VIF)-相关系数(机器学习)sklearn文章目录多重共线性检验-方差膨胀系数(VIF)1、原理:2、多重共线性:3、检验方法:方差膨胀系数(VIF):相关性检验:4、代码测试4.1导入相关库4.2准备数据4.3计算膨胀因子4.4计算相关系数4.5分割测试集4.6模型选择4.7AUC值4.8模型调整4.8.1删除账户资金4.8.2删除累计交易佣金5、总结多重共线性检验-方差膨胀系数(VIF)1、原理:方差膨胀系数是衡量多元线性回归模型中多重共线性严重程度的一种度量。它表示回归系数估计量的方差与假设自变量间不线性相关时方差相比的比值。

  • 常量字符串过长的解决办法_jdbc编译异常

    常量字符串过长的解决办法_jdbc编译异常如果使用String str = “这是一个很长很长很长 你需要的字符串。”; 出现异常不能正常编译运行时,可以使用下方:StringBuilder sb = new StringBuilder();sb.append(“这是一个很长很长”);sb.append(“很长 你需要的字符串”);字符串太长或字符串其他情况下可使用 : StringBuilder sb = new StringBuilder()…

  • DSP28335学习记录(一)

    DSP28335学习记录(一)本文记录dsp28335的各种外设的配置方法,常见模块的驱动方法,以及各种常见问题的解决方法,持续更新

    2022年10月19日
  • 会产生classcastexception_服务异常是什么原因

    会产生classcastexception_服务异常是什么原因ClassCastException是JVM在检测到两个类型间转换不兼容时引发的运行时异常。此类错误通常会终止用户请求。在执行任何子系统的应用程序代码时都有可能发生ClassCastException异常。通过转换,可以指示Java编译器将给定类型的变量作为另一种变量来处理。对基础类型和用户定义类型都可以转换。Java语言规范定义了允许的转换,其中大多数可在编译时进行验证。不过,某些转换还需要运行…

  • JAVA外文参考文献_java参考文献近五年

    JAVA外文参考文献_java参考文献近五年java论文英文的参考文献相关内容:欢迎浏览,小编为你提供的一篇关于英文毕业论文提纲的毕业论文提纲!1Introduction1.1Significanceoftheresearch1.2Organizationofthethesis2LiteratureReview2.1Researchesonmonolingualmentallexicon2.1…..

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号