当前课程知识点:分数域信号与信息处理及其应用 > 第2章 分数域定义与性质 > 2.3 一维/二维分数傅里叶变换 > 2.3 一维-二维分数傅里叶变换
同学们好
今天我们要讲的是
一维/二维分数傅里叶变换
主要分为三个方面的内容
首先我们来介绍一下
傅里叶变换的局限性
然后再分别介绍一下
一维和二维分数傅里叶变换
传统的信号分析 建立在
傅里叶变换的基础上
那么通过引入傅里叶变换
就使人类对于自然界中复杂信号
或者是图像的分析与处理
转变为较为简单的
频域特征的分析与处理
但是
傅里叶分析要么完全在时域
要么完全在频域
它无法反映
信号的时频特性
这主要是因为
傅里叶变换的基函数是正弦信号
可以得到信号的整体频谱
具有全局分析的特性
有利于分析频率
不随时间变化的平稳信号
而对于频率随时间变化的非平稳信号
傅里叶变换就遇到了困难
为了分析和处理非平稳信号
人们对于傅里叶分析进行
推广 乃至根本性的革命
提出并发展了
Gabor变换
小波变换
Randon-Wigner分布
以及分数傅里叶变换等时频分析工具
接下来我们就来介绍一下
分数傅里叶变换的相关知识
首先我们从基函数的角度来对比一下
傅里叶变换和分数傅里叶变换
众所周知
傅里叶变换的基函数是基于
时间轴上无限伸展的正弦波
单频率的正弦波对应频域的一根谱线
不同频率的正弦函数集
就构成了傅里叶变换的基函数
与此类比
分数傅里叶变换的基函数
是线性调频信号
从数学形式上来看
与傅里叶变换的基函数相比多了平方项
因此可以看作
傅里叶变换基函数的推广
那么单频率 单阶次的线性调频信号
就对应于时频平面上
该阶次的一根分数谱线
我们在这里
仿真图中
不是标准的 冲击形式
是由于离散化算法的误差所造成的
不同频率单阶次的线性调频函数集
就构成了 该阶次下
分数傅里叶变换的基函数
因此随着变换阶次的变化
分数傅里叶变换就能够提供
介于时域和频域之间的
任意分数域表征
下面我们通过一个
线性调频信号的例子
来理解一下
傅里叶域和分数傅里叶域的区别
如图所示
处于时域的线性调频信号
在经过傅里叶变换之后
所得到的频谱是展宽的
而在它的最佳匹配阶次的
分数傅里叶变换域
则是一根分数谱线
此时它的能量达到高度集中
我们可以通过线性调频信号
从时域逐步变化到频域的整个过程
来理解一下
首先信号处于时域
在经过不同阶次的
分数傅里叶变换之后
呈现出不同的分数谱
当达到最佳匹配阶次的时候
能量高度集中
成为一个冲击
当过了最佳匹配阶次之后
它的能量 又逐步分散开
因此可以说
利用分数傅里叶变换
所特有的旋转角度参数
就可以展现出信号
从适于 逐步变化到频域的所有特征
以大家都熟悉的
矩形信号为例
它在时域是一个矩形函数
对应的频谱是一个Sinc函数
我们通过这个动图
展示了矩形信号从时域
逐步变化到频域的整个过程
可以看到
分数傅里叶变换
可以为我们提供关于信号的
多域精细特征
通过分数傅里叶变换的
定义式可以看到
分数傅里叶变换的参数
不仅包含时频域变量
还包含变换角度α
那么如果有一个非平稳信号
它是由两个阶次的线性调频信号
叠加所得到的
大家思考一下
如果我们对这个信号
进行分数傅里叶变换
会出现什么现象呢
如图所示的非平稳信号
是由两个不同阶次的线性调频信号
叠加所得到的
我们对它做不同阶次的分数傅里叶变换
当到达 其中一个信号的
最佳匹配阶次时
它的分数谱能量聚集
出现第一次冲击
而另一个信号的分数谱
此时以类噪声的形式存在
当到达 第二个信号的
最佳匹配阶次时
出现第二次能量聚集
同样的
另一个信号的分数谱
也是以 类噪声的形式存在
当阶次到达频域的时候
呈现出该非平稳信号的频谱信息
可以看到
该非平稳信号的频谱能量比较分散
且频谱占据的带宽比较宽
那么这一过程我们也可以通过
一个动图的形式来展示
图中是在不同的阶次下
非平稳信号的分数谱特征
可以看到
非常明显的两次冲击
下面我们来总结一下
分数傅里叶变换的特点
分数傅里叶变换
是一种统一的时频变换
随着阶次从0连续增长到1
分数傅里叶变换展示出
信号从时域逐步变化到频域的所有特征
可以为信号的时频分析
提供更大的选择余地
最直接的利用方式
就是将传统时域 频域的应用
推广到分数域
以获得某些性能上的改善
分数傅里叶变换可以理解为
线性调频基分解
因此它十分适合
处理chirp类信号
而chirp类信号
在雷达 通信 声纳
以及自然界中经常遇到
分数傅里叶变换是对时频平面的旋转
利用这一特点
可以建立起分数傅里叶变换
与其它时频分析工具的关系
既可以用来估计瞬时频率
恢复相位信息
又可以用来设计新的时频分析工具
相比傅里叶变换
分数傅里叶变换多了一个自由参数
因此在某些应用场合
能够得到更好的效果
如数字水印和图像加密等
另外
分数傅里叶变换是线性变换
没有交叉项干扰
在具有加性噪声的多分量情况下更具优势
分数傅里叶变换
具有比较成熟的快速算法
这既保证了
分数傅里叶变换能够进入
数字信号处理的工程实用领域
又可以以它为基础
为其它的分数阶算子
或变换提供快速算法
如分数卷积
相关及分数Hartley变换等
我们在前面介绍了
一维分数傅里叶变换的物理意义及特点
那么对一维分数傅里叶变换进行推广
就可以得到高维的分数傅里叶变换
下面我们就来简单介绍一下
二维分数傅里叶变换的知识
将一维分数傅里叶变换的核函数进行拓展
就可以得到二维分数傅里叶变换的核函数
如下其中α=p1π/2
β=p2π/2
它们表示信号通过
二维分数傅里叶变换之后的旋转角度
可以看出
与二维傅里叶变换的核函数一样
二维分数傅里叶变换的核函数
也是可分离的
那么我们应用
二维分数傅里叶变换核
在变换阶次P1和P2给定的情况下
信号f(s,t)的二维分数傅里叶变换
就可以定义为如下形式
根据一维情况
可以得出如下结论
当α=β=π/2时
二维分数傅里叶变换退化为
传统的二维傅里叶变换
当α=π/2 β=0时
二维分数傅里叶变换仅对
s方向做传统的傅里叶变换
当β=π/2 α=0时
二维分数傅里叶变换仅对
t方向做传统的傅里叶变换
当α=β=0时
二维分数傅里叶变换是恒等变换
通过前面的学习
我们已经知道
单频率单阶次的一维线性调频信号
在时域的表现形式
我们也知道
在它的匹配阶次
其分数傅里叶谱是一个冲击
那么大家可以考虑一下
对于二维线性调频信号
它的时域表达形式又是怎样的呢
如图所示
我们给出了二维线性调频信号的
时域表现形式
可以看到它是由一系列
明暗相间的圆环组成
为了让大家有更加直观的理解
我们也给出了它的三维表示形式
与一维信号一样
二维线性调频信号
也是非平稳信号
所以它的频谱所占的带宽也比较大
如图所示
如果我们对其进行二维分数傅里叶变换
当在行方向和列方向上
都达到最佳匹配阶次的时候
二维线性调频信号的分数谱
也是一个冲击
具有能量聚集的效果
众所周知
对于二维矩形信号来说
它的频谱是一个二维Sinc函数
如图所示
如果基于傅里叶分析
我们只能在时域或者频域
观察和分析该信号
而在引入了二维分数傅里叶变换之后
我们就可以在不同的阶次
对矩形信号进行分析和处理
如图展示了二维矩形信号
在0.2阶次
0.5阶次
0.7阶次
和0.9阶次下的实验结果
在不同的阶次下
展现出了不同的特征信息
在进行该实验的时候
行方向和列方向的变换阶次取相同的值
为了让大家对二维矩形信号从时域
连续变化的频率的特征
有更加直观的认识和理解
我们给出了一个动图来展示这一过程
这就为矩形信号的时频分析
提供了更多的选择余地
和更加精细的信息
同样的
如图所示是图像信号
经过不同阶次的分数傅里叶变换的结果
它可以反映图像从时域
逐步变化到频域的所有精细特征
有利于完成更加有效的图像特征提取
也就是说分数傅里叶变换
能够将传统的图像观测域
从与时间正交的频域旋转到
时频平面上任意角度的分数域
进而在分数域对图像进行分析和处理
这样不仅能够实现传统方法的功能
而且克服了傅里叶变换
仅仅在频域进行分析的局限
因此具有更好的普适性和灵活性
有望实现更好的图像处理效果
由于二维分数傅里叶变换
具有行方向和列方向
两个自由的阶次变量
因此我们还可以将两个方向的阶次
取不同的值
如图所示
展示了peper图像
在不同阶次下的结果
现在利用神经网络提取图像特征
是比较热门的 研究方向
但是神经网络
往往用来提取图像的空域特征
通过这节课的学习
我们知道图像的分数谱
可以提供更多更精细的时频联合特征
因此
我们就可以将不同阶次下的
图像特征输入到神经网络中
有望得到更好的图像处理结果
以上就是
本次课的全部内容
谢谢大家
-1.1 分数傅里叶变换背景与理论
-1.2 分数傅里叶变换应用
-第1章 讨论题
--第1章 讨论题1
--第1章 讨论题2
-第1章 习题
--第1章 习题
-2.1 分数傅里变换的定义
-2.2 分数傅里叶变换的性质
-2.3 一维/二维分数傅里叶变换
-第2章 讨论题
--第2章 讨论题1
--第2章 讨论题2
-第2章 习题
--第2章 习题
-3.1 分数卷积I
-3.2 分数卷积II
-3.3 功率谱
--3.3 功率谱
-3.4 分数功率谱
-第3章 讨论题
--第3章 讨论题1
--第3章 讨论题2
-第3章 习题
--第3章 习题
-4.1 傅里叶域均匀采样定理
-4.2 分数域均匀采样定理I-采样信号的分数域谱分析
-4.3 分数域均匀采样定理II-信号重建
-4.4 傅里叶域带通采样定理
-4.5 分数域带通采样定理
-4.6 周期非均匀采样定理
-第4章 讨论题
--第4章 讨论题1
--第4章 讨论题2
--第4章 讨论题3
-第4章 习题
--第4章 习题
-5.1 多分量chirp信号检测与参数估计方法
-5.2 多分量chirp信号检测与参数估计背景及仿真
-5.3 基于分数傅里叶变换的时延估计
-5.4 立方相位信号参数估计理论与应用
-第5章 讨论题
--第5章 讨论题1
--第5章 讨论题2
-第5章 习题
--第5章 习题
-6.1 分数傅里叶变换离散算法
-6.2 离散分数变换
-6.3 广义Hilbert变换
-6.4 稀疏傅里叶变换的定义
-6.5 稀疏分数傅里叶变换
-第6章 讨论题
--第6章 讨论题1
--第6章 讨论题2
--第6章 讨论题3
-第6章 习题
--第6章 习题
-7.1 短时分数傅里叶变换
-7.2 分数小波变换I
-7.3 分数小波变换II
-7.4 基于分数阶相位匹配原理时频分布构造
-第7章 讨论题
--第7章 讨论题1
--第7章 讨论题2
--第7章 讨论题3
-第7章 习题
--第7章 习题
-8.1 分数傅里叶变换与模糊函数
-8.2 分数傅里叶变换与MIMO雷达模糊函数
-8.3 分数傅里叶变换与雷达通信一体化
-8.4 分数域海杂波抑制
-8.5 分数域雷达动目标检测
-8.6 分数域长时间相参积累及其应用
-8.7 分数域辐射源定位技术
-8.8 分数阶相位匹配时频分布的应用
-第8章 讨论题
--第8章 讨论题1
--第8章 讨论题2
--第8章 讨论题3
--第8章 讨论题4
-第8章 习题
--第8章 习题
-9.1 分数傅里叶光学
-9.2 分数域光学相干层析成像色散补偿技术
-9.3 基于分数傅里叶变换的牛顿环参数估计
-9.4 基于分数傅里叶变换的光纤端面检测仪
-第9章 讨论题
--第9章 讨论题1
--第9章 讨论题2
--第9章 讨论题3
--第9章 讨论题4
-第9章 习题
--第9章 习题
-10.1 分数域高光谱信号处理
-10.2 分数域高光谱异常检测
-10.3 分数域高光谱协同分类
-第10章 讨论题
-第10章 习题
--第10章 习题