Вы находитесь на странице: 1из 195
Ю . Е . ВОСКОБОЙНИКОВ А . В . ГОЧАКОВ А . Б . КОЛКЕР

Ю.Е. ВОСКОБОЙНИКОВ А.В. ГОЧАКОВ А.Б. КОЛКЕР

ФИЛЬТРАЦИЯ СИГНАЛОВ И ИЗОБРАЖЕНИЙ:

ФУРЬЕ И ВЕЙВЛЕТ АЛГОРИТМЫ (с примерами в Mathcad)

НОВОСИБИРСК 2010

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ АРХИТЕКТУРНО-СТРОИТЕЛЬНЫЙ УНИВЕРСИТЕТ (СИБСТРИН)

Ю.Е. Воскобойников, А.В. Гочаков, А.Б. Колкер

ФИЛЬТРАЦИЯ СИГНАЛОВ И ИЗОБРАЖЕНИЙ:

ФУРЬЕ И ВЕЙВЛЕТ АЛГОРИТМЫ (с примерами в Mathcad)

Монография

НОВОСИБИРСК 2010

УДК 519.2

ББК 22.172

В 650

Воскобойников Ю. Е. Фильтрации сигналов и изображений: фурье и вейвлет алгоритмы (с примерами в Mathcad) : монография / Ю. Е. Воскобойников, А. В. Го- чаков, А. Б. Колкер ; Новосиб. гос. архитектур.-строит. ун-т (Сибстрин). – Новосибирск : НГАСУ (Сибстрин), 2010. – 188 с.

ISBN 978-5-7795-0519-2

Монография содержит изложение теории и практики частотных алгоритмов фильтрации, в которых обработке подлежат коэффициен- ты разложения зашумленного сигнала или изображения по Фурье- базису и вейвлет-базису. При этом большое внимание уделяется выбо- ру параметров алгоритмов, исходя из условия минимума среднеквад- ратической ошибки фильтрации. Приводятся фрагменты документов математического пакета Mathcad, реализующие построенные алгорит- мы фильтрации. Результаты монографии будут полезны широкому кругу читате- лей: магистрантам, аспирантам, научным сотрудникам, всем кто стал- кивается с необходимостью цифровой фильтрации сигналов или изо- бражений.

Печатается по решению научно-технического совета НГАСУ (Сибстрин)

Рецензенты:

М.С. Соппа, д-р физ.-мат. наук, профессор кафедры прикладной математики НГАСУ (Сибстрин);

В.И. Хабаров, д-р техн. наук, профессор, декан факультета бизнес-информатики, завкафедрой информационных технологий на транспорте СГУПС

ISBN 978-5-7795-0519-2

©

Воскобойников Ю.Е., Гочаков А.В., Колкер А.Б., 2010

©

Новосибирский государственный архитектурно-строительный университет (Сибстрин), 2010

ОГЛАВЛЕНИЕ

Предисловие

7

Введение

9

ГЛАВА 1. АЛГОРИТМЫ ФУРЬЕ-ФИЛЬТРАЦИИ СИГНАЛОВ И ИЗОБРАЖЕНИЙ

12

1.1. Непрерывное и дискретное преобразования Фурье

1.1.1.

Непрерывное преобразование Фурье

и ряд Фурье

1.1.2.

1.1.3.

Функции Дискретное Mathcad преобразование для вычисления Фурье дискретного

Формирование периодических дискретных

преобразования Фурье

1.1.4.

последовательностей

1.1.5.

Свойства случайной периодической

последовательности

1.2. Глобальные алгоритмы Фурье-фильтрации

1.2.1.

Алгоритм Фурье-фильтрации одномерного

Алгоритм Фурье-фильтрации дискретного

дискретного сигнала

1.2.2.

изображения

1.2.3.

Ошибки алгоритмов Фурье-фильтрации

1.3. Алгоритмы выбора параметра сглаживания

в алгоритмах Фурье-фильтрации

1.3.1.

алгоритма фильтрации

1.3.2.

критерия оптимальности

1.3.3.

метода перекрестной значимости

Критерий оптимальности линейного

Выбор параметра сглаживания на основе

Выбор параметра сглаживания на основе

Анализ построенных алгоритмов выбора

Реализация Оценка дисперсии алгоритмов Фурье-фильтрации

σ

2

1.3.4.

параметра сглаживания

1.3.5.

1.3.6.

в системе компьютерной математики Mathcad

1.4. Квазиоптимальный локальный алгоритм

Фурье-фильтрации

1.4.1.

Фурье-фильтрации

1.4.2.

Оптимальный локальный алгоритм

Алгоритм итерационного уточнения отношения

«шум/сигнал» фильтрации 1.4.3. Исследование локальных алгоритмов Фурье-

ГЛАВА 2. ОСНОВЫ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЙ СИГНАЛОВ И ИЗОБРАЖЕНИЙ

2.1. Непрерывное вейвлет-преобразование

2.1.1. 2.1.2.

2.1.3.

и

2.1.4. 2.1.5.

непрерывных сигналов

вейвлет-анализ сигналов

Недостатки Фурье-преобразования

Прямое Оконное непрерывное преобразование вейвлет-преобразование Фурье

Обратное непрерывное вейвлет-преобразование

Диадное вейвлет-преобразование

2.2. Масштабирующие функции и вейвлеты

2.2.1.

и

2.2.2.

и

2.2.3.

значения вейвлетов

Масштабирующие подпространства

масштабирующая функция

Операторы проектирования

подпространства вейвлетов

Функции Mathcad, вычисляющие

85

2.3. Кратномасштабное вейвлет-представление

сигналов

2.3.1.

2.3.2. 2.3.3.

Вейвлет-представление сигналов

Функции Быстрое Mathcad вейвлет-преобразование для быстрого вейвлет-

преобразования

2.4. Кратномасштабное вейвлет-представление

изображений

2.4.1. 2.4.2.

двумерного вейвлет-преобразования

Вейвлет-представление Функции Mathcad для выполнения изображений

Глава 3. Алгоритмы вейвлет-фильтрации

сигналов и изображений

3.1. Кратномасштабное представление и задачи

фильтрации сигналов и изображений

3.1.1.

коэффициентов зашумленных сигналов вейвлет-разложения

3.1.2.

на основе вейвлет-разложения

3.1.3.

вейвлет-разложения

Статистические характеристики

Общий подход к фильтрации шума

Функции Mathcad обработки коэффициентов

3.2. Оптимальные и квазиоптимальные алгоритмы

вейвлет-фильтрации 3.2.1. коэффициентов Оптимальный вейвлет-разложений алгоритм оценивания

3.2.2.

«шум/сигнал»

Итерационное уточнение отношения

134

3.3.1. 3.3.2. Пороговые Универсальный оценки порог коэффициентов (UNIV-порог) разложения 3.3.3. 3.3.4. SURE-порог FDR-порог 3.3.5. 3.3.6. Bayes-порог GVC-порог
3.3.7.

критерия оптимальности

3.3.8.

в Mathcad

Выбор пороговых значений на основе

Реализация алгоритмов вейвлет-фильтрации

ЗАКЛЮЧЕНИЕ

178

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

179

ПРИЛОЖЕНИЕ 1. МОДУЛИ 1D АЛГОРИТМОВ ФУРЬЕ-ФИЛЬТРАЦИИ

178

Приложение 2. МОДУЛИ 1D АЛГОРИТМОВ ВЕЙВЛЕТ-ФИЛЬТРАЦИИ

187

Предисловие

В последние десятилетия теория и методы цифровой фильтрации сигналов и изображений получили новое развитие. Это обусловлено как появлением новых математических мето- дов (дискретное преобразование Фурье, дискретное вейвлет- преобразование), позволяющих создать эффективные алгоритмы фильтрации, так и возросшими требованиями к точности фильт- рации, особенно в случае обработки контрастных сигналов и изображений. При этом фильтрация в большинстве случаев яв- ляется не конечным этапом обработки (для улучшения визуаль- ного восприятия), а некоторой предобработкой, например, для последующего распознавания образов. Исходными данными для цифровой фильтрации являются отсчеты (значения) «точного» сигнала или изображения, кото- рые зашумлены (искажены) случайным шумом (погрешностью) различной природы. Фильтрация заключается в построении ал- горитма фильтрации (вычислительной процедуры), которая по- зволила бы достигнуть наилучших результатов в удалении шума из исходного (зашумленного) изображения. Построение алгоритма фильтрации опирается на использо- вание вероятностных моделей сигнала или изображения и шума, а также на применение различных статистических критериев оптимальности. Все это порождает многообразие методов и ал- горитмов фильтрации. Очевидно, что в одной монографии невозможно подробно рассмотреть все существующие алгоритмы цифровой фильтра- ции. Поэтому в этой книге будут рассмотрены только частот- ные алгоритмы фильтрации, в которых обработке подлежат ко- эффициенты разложения зашумленного сигнала по Фурье- базису и вейвлет-базису. Эти алгоритмы достаточно эффектив- ны с точки зрения удаления шума, не требуют такой априорной информации, которая часто отсутствует на практике. При этом большое внимание уделяется выбору параметров алгоритма, исходя из условия минимума среднеквадратической ошибки фильтрации. Такой подбор материала в определенной степени отражает «личные научные интересы» авторов и направления их научных

исследований. Это обусловлено оригинальностью большинства из излагаемых материалов, особенно это касается алгоритмов оценивания оптимальных параметров сглаживания и оценива- ния оптимальных коэффициентов Фурье-разложений и вейвлет- разложений. Отличительной чертой монографии является то, что для многих алгоритмов приводится программная реализация в сис- теме компьютерной математики Mathcad. Это позволит чита- телю использовать подходящий (для фильтрации его сигнала или изображения) алгоритм непосредственно, т.е. «с листа». При изложении материала используется следующая после- довательность: первоначально строится алгоритм для фильтра- ции одномерного дискретного сигнала (или просто сигнала), а затем результаты обобщаются на фильтрацию двумерного сиг- нала (далее просто изображения).

Авторы надеются, что материал монографии будет полезен широкому кругу читателей: магистрантам, аспирантам научным сотрудникам, всем кто сталкивается с необходимостью цифро- вой фильтрации сигналов или изображений.

Введение

Объектами цифровой фильтрации, рассматриваемыми в монографии, являются одномерные и двумерные дискретные

сигналы. Предположим, что наблюдаемое (измеренное) значение одномерного дискретного сигнала описывается аддитивной

%

%

f

i

f = fx

i

(

)

+η

ii

,

0

≤≤i N

x

или мультипликативной моделью

%

f = fx

i

(

)

η

ii

,

0

≤≤i N

x

1,

(В.1)

1,

(В.2

где f ()x некоторая функция (сигнал), измеряемая в точках

(узлах)

Аналогично для двумерного дискретного сигнала имеем аддитивную

x

i

со случайным шумом (погрешностью)

η .

i

%

f

ij

,

= fxy

(

i

,

i

)

+η

ij

,

,

0

≤≤i N

x

1,

0

j N

y

1,

(В.3)

или мультипликативную модель

%

f

ij

,

= fxy

(

i

,

i

)

η

ij

,

,

0

≤≤i N

x

1,

0

j N

y

1,

(В.4)

где f (,x y) – функция двух переменных (изображение), изме-

ряемая в узлах (, y ) со случайным шумом η . В дальнейшем

x

i

j

i, j

для упрощения изложения как одномерный, так и двумерный дискретный сигнал будет называться просто сигналом (если это не вызывает путаницы).

Физическая природа шума измерений может быть различ-

ной:

шумы измерительной (регистрирующей) аппаратуры;

помехи при передаче по каналам связи (особенно анало-

говым);

плохие условия съемки изображения и т.д.

В качестве наиболее распространенных статистических мо- делей шумов используются следующие:

белый шум случайный сигнал, отсчеты которого не коррелируются друг с другом, и его разновидность белый га- уссовский шум, отсчеты которого подчиняются гауссовскому (нормальному) распределению;

импульсный шум изолированные точки, случайные значения шума в которых существенно отличаются от значений сигнала в окружающих точках;

шум вида «соль и перец», представляющий смесь белого и импульсного шумов. Такая модель достаточно часто исполь- зуется при фильтрации изображений. Очевидно, что фильтрация используется для того, что бы в максимальной степени удалить шумы из исходного сигнала, внося при этом минимальные искажения значений «точного» сигнала. Таким образом, фильтрация заключается в построении алгоритма фильтрации (вычислительной процедуры), которая позволила достигнуть наилучших (с точки зрения принятого критерия) результатов в удалении шума из зашумленного сиг- нала. Построение алгоритмов фильтрации существенно опирает- ся на вероятностные модели сигнала и шума измерения и зави- сит от используемого критерия оптимальности, который позво- ляет оценить оптимальность того или иного алгоритма. Все это обусловливает многообразие методов и алгоритмов, используе- мых для обработки сигналов.

)

можно выделить:

алгоритмы фильтрации в пространственной области (пространственная фильтрация);

алгоритмы фильтрации в частотной области (частот- ная фильтрация). Здесь термин «частотная область» подразумевает не только область значений частот в преобразовании Фурье, но и область значений переменных, являющихся параметрами некоторого дискретного (как правило, ортогонального) преобразования (на- пример, параметры вейвлет-преобразования).

%

По методу обработки исходных значений f (или

i

%

f

i, j

Результатом работы алгоритмов пространственной фильт- рации [3, 5, 6, 7, 19, 20, 26] является значение, получаемое обра- боткой непосредственно исходных зашумленных значений сиг- нала, попавших в апертуру фильтра и число которых сущест- венно меньше общего числа значений обрабатываемого сигнала. Результатом работы алгоритмов второй группы является дискретный сигнал, определяемый обратным дискретным пре- образованием коэффициентов, которые получены в результате обработки (фильтрации) коэффициентов прямого дискретного преобразования всего исходного зашумленного сигнала [16, 18, 19, 20, 52]. В данной монографии будут рассмотрены два класса алго- ритмов фильтрации в частотной области, в которых обрабаты- ваются коэффициенты разложения зашумленного сигнала по Фурье-базису и вейвлет-базису. При этом большое внимание уделяется выбору параметров алгоритма, исходя из условия ми- нимума среднеквадратической ошибки фильтрации. Заметим, что в литературе наряду с термином «фильтра- ция» используется термин «сглаживание». Эти термины исполь- зуют в сочетании «фильтрация шумов» и «сглаживание данных» (или «сглаживание функции»). Последнее сочетание применяет- ся в случаях, когда по зашумленным измерениям некоторой функции необходимо ее восстановить, т.е. построить оценку

ˆ

f

(

x для функции f (x) . Это в полной мере относится к зада-

)

чам построения регрессий по пространственной выборке конеч- ного размера. В монографии эти термины будут использоваться на равных условиях. При фильтрации сигналов исследователь первоначально сталкивается с проблемой выбора алгоритма фильтрации, а за- тем с проблемой выбора параметров взятого алгоритма, ко- торые бы обеспечили успешную работу алгоритма. Надеемся, что содержание последующих глав монографии будет способст- вовать успешному решению этих проблем.

ГЛАВА 1. АЛГОРИТМЫ ФУРЬЕ-ФИЛЬТРАЦИИ СИГНАЛОВ И ИЗОБРАЖЕНИЙ

В этой главе рассмотрены алгоритмы фильтрации, в кото- рых обрабатываются не зашумленные значения сигналов или изображений, а их Фурье-образы. Поэтому такие алгоритмы бу- дем называть алгоритмами Фурье-фильтрации и по классифи- кации, приведенной во введении, эти алгоритмы относятся к ал- горитмам фильтрации в частотной области. Алгоритмы Фурье-фильтрации находят широкое и успеш- ное применение при обработке гладких сигналов и изображений, в которых высокочастотные составляющие зашумленного сиг- нала обусловлены только шумами. Поэтому далее будет рас- смотрено построение алгоритмов Фурье-фильтрации для этих случаев, которые будем называть как фильтрация гладких сигна- лов. Основное внимание будет уделяться выбору параметров ал- горитма, которые бы минимизировали среднеквадратичную ошибку фильтрации.

1.1. Непрерывное и дискретное преобразования Фурье

Определены основные преобразования Фурье и рассмотре- ны их свойства, которые будут использоваться в алгоритмах Фурье-фильтрации.

1.1.1. Непрерывное преобразование Фурье и ряд Фурье Первоначально напомним несколько понятий из функцио- нального анализа. Областью определения функции f ()x называется интервал

[a,b] (или открытый интервал (a, b)) для значений, из которого функция f ()x определена (т.е. существует). Бесконечный ин-

тервал (,) будем обозначать R . Так, функция sin(x) опре- делена на интервале R , т.е. определена для x R .

Носителем функции является область ее определения. На- пример, если f ()x определена для x [a, b] и f ()x 0 для

x [a, b] (т.е. x < a и x > b ) и длина отрезка [a,b] невелика, то

говорят, что функция f ()x

Функция называется периодической с периодом T , если

± T ) . В частности, для 2π-периодических функций

имеем fx() = fx( ± 2)π .

Функции могут принадлежать различным пространствам.

Пространство

условию:

R означает, что функция f ()x удовлетворяет

имеет компактный носитель.

f ()x = fx(

L

p

[

]

∫ f () x
f
()
x

−∞

p dx <∞

.

(1.1.1)

К примеру, часто используемое гильбертово пространство

L

2

[] R состоит из функций, для которых

из функций , для которых ∞ −∞ dx <∞ . (1.1.2) Непрерывным

−∞

dx <∞

.

(1.1.2)

Непрерывным преобразованием Фурье (НПФ) (в зарубеж- ной литературе непрерывно-временным преобразованием Фу- рье) называется пара интегральных преобразований:

прямое преобразование F

()

υ

=

−∞

f

()

x

2

e

обратное преобразование f x Fe

υ

()

=

()

−∞

i

πυ

x

dx

;

2

i

πυ

x

d

υ

 

(1.1.3)

,

(1.1.4)

где i = −1 , υ частота, измеряемая в герцах. Для существова- ния НПФ необходима принадлежность f ()x пространству аб-

солютно интегрируемых функций

- солютно интегрируемых функций L 1 [ R ] , т . е . ∞ ∫

L

1

[

R

]

, т.е.

∫ f (x)
f (x)

−∞

dx <∞ .

(1.1.5)

или принадлежность пространству

(1.1.2)). Имеет место известное равенство Парсеваля (или тео- рема для энергии):

R (выполняется условие

L

2

[

]

∞ ∞ 2 2 ∫ f () x dx = ∫ F () υ −∞
2
2
f
()
x
dx
=
F
()
υ
−∞
−∞

d

υ

.

(1.1.6)

Если функция f ()x является периодической с периодом T , то она может быть представлена рядом Фурье:

f

(

)

a

0

x =+

2

a

k

cos 2

()

πkxυ + b

1

k

sin

()

2

πυkx

1

,

(1.1.7)

υ =

1

1

T

где

ской функции. Коэффициенты ряда определяются формулами:

частота первой (основной) гармоники периодиче-

a

k

b

k

=

=

2

T

2

T

T

0

T

0

f

f

(

(

x

(

)cos 2

k

πυ

1

x

)

dx

x

(

)sin 2

k

πυ

1

x

)

dx

 

;

(1.1.8)

.

(1.1.9)

Разложение функции на гармонические составляющие с коэф-

фициентами

можно интерпретировать как представление

a

k

,

b

k

f (x) в ортогональном базисе тригонометрических функций:

1, cos υυx , sin

11

(

)

(

x

)

(

, K , cos kxυ

1

)

(

, sin kxυ

1

)

, K

Ортогональность базиса означает, что интеграл от произведе- ния двух любых функций этого базиса в промежутке [0, T ] ра- вен нулю. Вычисление коэффициентов Фурье принято называть спек- тральным анализом, построение функции по конечному набору коэффициентов ряда Фурье называется спектральным синте- зом.

На рис. 1.1. показан фрагмент документа, содержащий опи- сание подпрограммы-функции Fourier_Ser, вычисляющий ко- эффициенты Фурье (с номерами k = 0,1,K, N ) функции, перио-

дической на интервале [0, T ] (назначение формальных парамет- ров f , N , T очевидны).

парамет - ров f , N , T очевидны ). Рис . 1.1. Подпрограмма - функция

Рис. 1.1. Подпрограмма-функция Fourier_Ser

На рис. 1.2 показан фрагмент спектрального анализа (N = 10) прямоугольного сигнала, а также синтез двух функций

ˆ

f (x) рядом с ограниченным числом слагаемых:

ˆ

f

(

x

)

=+

a

0

M

k = 0

(

a

k

cos 2

()

πυ kx

+

b

k

sin

())

2

πυ kx

11

,

(1.1.10)

Для первой функции M = 5 (значения показаны на левом ри- сунке точечной линией), для второй M = 15 (значения показа- ны на правом рисунке точечной линией). Видно, что при увели- чении M точность аппроксимации функции f ()x рядом (1.1.10) повышается. Однако как в том, так и в другом случае виден эффект Гиббса появление гармонических колебаний в

точках, где f ()x имеет особенности или большие производные (например скачки амплитуды сигнала). Увеличение числа гар- моник в ряде (1.1.10) не устраняет эффект, а лишь повышает частоту колебаний.

повышает частоту колебаний . Рис . 1.2. Фурье - синтез

Рис. 1.2. Фурье-синтез прямоугольного сигнала

1.1.2. Дискретное преобразование Фурье

В настоящее время непрерывная функция f ()x в основном

является математическим объектом, так как реальные системы регистрации и сбора информации имеют дело с дискретными

сигналами. Дискретный сигнал, обозначаемый

значений функции f ()x в равноотстоящие моменты времени

f , состоит из

j

x j

x

j , т.е.

f

j

= f jΔ , −∞ < j < ∞ ,

x

(

)

(1.1.11)

где

Δ

x

шаг дискретизации.

 

Возникает вопрос о Фурье-образе

F υ дискретного сиг-

S

(

)

нала

f

j

. Ответ дает следующее соотношение:

 
 

 

()

F υ

S

=

k =−∞

(

Fkυ υ

+

S

)

υ <<υ υ ,

S

S

(1.1.12)

где

1
1

υ = Δ

S

x

частота дискретизации (или частота отсчетов).

Таким образом,

риодом 2 [20, 24].

F

S

(

υ

S

)

υ является периодической функцией с пе-

Предположим, что f ()x

функция с ограниченным спек-

тром, а именно: F (υ) = 0 при ство Найквиста:

Δ ≤

x

υ > υ и выполняется неравен- 0 1 . (1.1.13) 2 υ 0
υ
> υ и выполняется неравен-
0
1
.
(1.1.13)
2
υ
0

Тогда

F

()

υ F υ , υ υ υ , (1.1.14)

S

S

S

()

т.е. по спектру дискретного сигнала однозначно определяется спектр непрерывного сигнала. Это свойство является основой для спектрального анализа временных процессов. Если условие (1.1.13) не выполняется, то наблюдается aliasing – эффект, ко- торый проявляется в «перекачке» высокочастотных составляю-

щих F (υ) в низкочастотные составляющие

Предположим, что функция f ()x периодична с периодом

T на интервале [0, T ] и ее значения дискретизуются с шагом

Δ . Таким образом, имеем дискретный периоди-

дискретности

N = T Δ отсчетов), дискретный

ческий сигнал (с периодом

спектр которого также периодичен с периодом N отсчетов и

F

S

υ .

(

)

x

которого также периодичен с периодом N отсчетов и F S υ . ( ) x x

x

шагом дискретизации по частоте

Δ=

υ

υ

S

1

=

N

N Δ

x

. Для такого

дискретного периодического сигнала определено дискретное преобразование Фурье (ДПФ) [20, 24].

Сформируем из дискретных значений f () x j периодиче-

скую последовательность:

(1.1.15)

f

p

()

j

(

= fj ⋅Δ

xj )

= f

,

j = 0, K, N 1,

и определим прямое ДПФ

F

p

()

l

=

1

N

N

1

j

=

0

f

p

()

j

exp

⎜ ⎝

2

π

i

N

jl

⎟ ⎠

,

l = 0, K, N 1 ,

⎝ − 2 π i N jl ⎞ ⎟ ⎠ , l = 0, K ,

где i = −1 . Тогда обратное ДПФ имеет вид

(

f j

p

)

=

N

1

l

= 0

F

p

()

l

exp

⎜ ⎝

2

π

i

N

lj

⎟ ⎠

.

(1.1.16)

(1.1.17)

Замечание 1.1.1. Если выполняется условие (1.1.13), то для ДПФ (1.1.16), (1.1.17) можно показать связь:

(1.1.18)

()

f p

Fl

j

p

()

= fj ⋅ Δ

= F

(

x

l

)

,

⋅Δ

j = 0, K, N −1 ; , l = 0, K, N 2 ,
j = 0, K, N −1 ;
, l = 0, K, N
2 ,
υ

)

(

Δ

υ

(1.1.19)

( )

которая позволяет по спектру F l найти значения спектра

p

F (υ) непрерывной функции f ()t на интервале частот

Напомним, что введенные периодические последовательно- сти удовлетворяют условиям:

0,

N

2

⋅Δ ⎦ ⎥ ⎤ .

υ

f

p

(

j + kN

)

= f

p

(

j

)

,

F

p

(

l + kN

)

= F

p

( )

l

,

k = ±1, ± 2,

Приведем без доказательства некоторые свойства ДПФ.

1.

Re

Fl +

p

(

без доказательства некоторые свойства ДПФ . 1. Re ⎡ Fl ⎣ + p ( 2 −

2

1.

Im

F

p

(

Im ⎡ F ⎣ p ( N 2 + l ) ⎤⎡=− F N − l

N

2

+

l )

⎤⎡=− FN l ,

⎦⎣

Im

p

(

2 + l ) ⎤⎡=− F N − l ⎦ , ⎦⎣ Im p ( 2

2

)

(1.1.20)

F N − l ⎦ , ⎦⎣ Im p ( 2 ) ⎤ (1.1.20) так как

так как относительно N 2 функция Re

Im

F

p

( )

l

антисимметрична.

F симметрична, а

p

( )

l

Im

⎡⎤F

⎣⎦

p

(0)

=− ⎡FN ⎤=

Im

p

(

⎤ Im ⎡⎤ F ⎣⎦ p ( 0 ) =− ⎡ FN ⎤= Im ⎣ p

2)

2. Равенство Парсеваля для ДПФ:

N

1

j =

0

2 (

f

p

j

)

= N

N − 1 2 ∑ Fl () . p l = 0
N
1
2
Fl
()
.
p
l
=
0

0 .

(1.1.21)

(1.1.22)

Замечание 1.1.2. Свойства (1.1.20), (1.1.21) позволяют су- щественно «экономить» оперативную память компьютера при хранении коэффициентов ДПФ (вместо двух массивов длиной

N достаточно одного массива длиной N ).

Замечание 1.1.3. Непосредственное вычисление ДПФ по формулам (1.1.16), (1.1.17) требует порядка N операций, что при N порядка несколько тысяч и больше обусловливает суще- ственные вычислительные затраты. В 60–70 годы прошлого сто- летия были разработаны так называемые алгоритмы быстрого преобразования Фурье (БПФ), требующие порядка N log N операций, что значительно уменьшает объем вычислений при взятии прямого и обратного ДПФ. Эта особенность алгоритмов БПФ определила широкое распространение ДПФ в задачах фильтрации сигналов (и особенно изображений), в спектраль- ном анализе случайных процессов, а также в различных разде- лах вычислительной математики (в частности при решении об- ратных измерительных задач [2, 10, 13, 15]).

Введем в рассмотрение двумерные периодические последо-

вательности {

дискретное преобразование Фурье:

2

2

f

p

(

j

1

,

j

2

}{

),

}

Fll и определим двумерное

p

(,

12

)

Fll (,

p

12

f

p

)

(

=

j

1

,

1

N N

1

2

N

1

1

N

2

1

∑∑

j

1

=

0

j

2

=

0

j

2

)

N

1

1

N

2

1

= ∑∑

l

1

=

0

l

2

=

0

f

p

(

j

1

,

je )

2

2

π

i

N N

1

2

(

jl

11

+

j l

2 2

Flle

p

(,

12

)

2

π

i

N N

1

2

(

jl

11

+

j l

2 2

)

.

)

,

(1.1.23)

(1.1.24)

Очевидно, что последовательности f j j F ll с перио-

p

(

1

,

2

),

p

(

12

,

)

дами N × N удовлетворяют условиям:

1

2

f j

p

(

1

F l

p