python中FFT函数,fft函数

python 二维FFT

二维FFT常用在图像处理上，首先要能理解二维FFT的意义，否则很难明白它到底是怎么工作的。

第一列是原图和对应的频率信息，第二列是去除低频部分后，FFT逆变换得到的图像。第三列是去除高频部分后FFT逆变换得到的图像。

从第二列可以看出高频贡献了图像的细节。从白到黑的边界保留了下来。而原图中大片的白与大片的黑在这个图中没什么区别。

第三列中保留了原图中的亮部与灰部，而由黑到白的临界线却很模糊。细小的白线黑线也没能显示。所以低频贡献了图像的明暗。

2.工作原理理解

二维FFT就是先对行做次一维FFT，这样每个元素都是关于行频率信息了，然后再对列做一维FFT,这样每个元素都包含了行和列的频率信息。每个元素都是个复数，取绝对值可得到振幅，从实部与虚部的比值可等到相位，在二维矩阵的位置信息包含了频率大小和方向。方向在一维FFT中是不用考虑的。

FFT2的结果也是正频率从0到高然后负频率从高到0.fftshift()之后会将低频放到中间位置。

第一幅图的频谱是中间一条白线，也就是说许多个正弦波沿横向传播。纵向上没有变化。

第三幅图的频谱是十字形加一条从左下角到右上角的直线。说明原图在横向，纵向都有变化，变化的方向从左下角到右上角。

从中心到频谱图上某一点构成的向量方向就是这个波传播的方向。

正负对称才能消除虚部，这点与一维FFT原理一致。

相关问答

Q1: python如何实现FFT？

fft的结果是有复数.

perl代码运行的结果也是复数, 只不过实部虚部存储方法不同.

你可以举个你希望的python的输入输出的例子

Q2: Python科学计算——复杂信号FFT

FFT (Fast Fourier Transform, 快速傅里叶变换) 是离散傅里叶变换的快速算法，也是数字信号处理技术中经常会提到的一个概念。用快速傅里叶变换能将时域的数字信号转换为频域信号，转换为频域信号后我们可以很方便地分析出信号的频率成分。

当我们把双频信号FFT示例中的 fft_size 的值改为 2**12 时，这时，基频为 16Hz，不能被 1kHz整除，所以 1kHz 处发生了频谱泄露，而它能被 4kHz 整除，所以 4kHz 可以很好地被采样。

由于波形的前后不是连续的，出现波形跳变，而跳变处有着非常广泛的频谱，因此FFT的结果中出现了频谱泄漏。

为了减小FFT所截取的数据段前后的跳变，可以对数据先乘以一个窗函数，使得其前后数据能平滑过渡。常用的hanning窗函数的定义如下：

50Hz 正弦波与hann窗函数乘积之后的重复波形如下：

我们对频谱泄漏示例中的1kHz 和 4kHz 信号进行了 hann 窗函数处理，可以看出能量更加集中在 1kHz 和 4kHz，在一定程度上抑制了频谱泄漏。

以 1kHz 三角波为例，我们知道三角波信号中含有丰富的频率信息，它的傅里叶级数展开为：

当数字信号的频率随时间变化时，我们称之为扫频信号。以频率随时间线性变化的扫频信号为例，其数学形式如下：

其频率随时间线性变化，当我们在 [0,1] 的时间窗口对其进行采样时，其频率范围为 0~5kHz。当时间是连续时，扫频信号的频率也是连续的。但是在实际的处理中，是离散的点采样，因此时间是不连续的，这就使扫频信号的快速傅里叶变换问题退化为多点频信号快速傅里叶变换问题。其快速傅里叶变换得到的频谱图如下所示：

以 50Hz 正弦信号相位调制到 1kHz 的信号为例，其信号形式如下：

它的时域波形，频率响应和相位响应如下图所示：

以扫频信号为例，当我们要探究FFT中的能量守恒时，我们要回归到信号最初的形式：