IDFT的python实现
IDFT
IDFT(Inverse Discrete Fourier Transform), 傅里叶逆变换,可以将频域信号转换到时域中, 它的公式非常简单:
x[n]=1N∑k=0N−1X[k]ej2πkn/Nx[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] e^{j2\pi kn/N} x[n]=N1k=0∑N−1X[k]ej2πkn/N
X[k]X[k]X[k]:离散频率下标为k时的频率大小
x[n]x[n]x[n]: 离散时域信号序列
NNN: 信号序列的长度,也就是采样的个数
对比我们之前讲过的DFT,两者公式类似,但是注意在DFT中指数带负号,而IDFT中不带
从矩阵的角度看IDFT
DFT的矩阵表示
讲IDFT之前,我们先复习DFT的矩阵表示形式:
[s00s01⋯s0N−1⋮⋮⋮⋮sk0sk1⋯skN−1⋮⋮⋱⋮sN−10sN−11⋯sN−1N−1][x[0]x[1]⋮x[n]⋮x[N−1]]=[X[0]X[1]⋮X[k]⋮X[N−1]]\begin{bmatrix} s_0^0 & s_0^1 & \cdots & s_0^{N-1} \\ \vdots & \vdots & \vdots & \vdots\\ s_k^0 & s_k^1 & \cdots & s_k^{N-1} \\ \vdots & \vdots & \ddots & \vdots\\ s_{N-1}^0 & s_{N-1}^1 & \cdots & s_{N-1}^{N-1} \\ \end{bmatrix} \begin{bmatrix} x[0] \\ x[1] \\ \vdots\\ x[n] \\ \vdots \\ x[N-1] \end{bmatrix} = \begin{bmatrix} X[0] \\ X[1] \\ \vdots\\ X[k] \\ \vdots \\ X[N-1] \end{bmatrix} ⎣⎢⎢⎢⎢⎢⎢⎡s00⋮sk0⋮sN−10s01⋮sk1⋮sN−11⋯⋮⋯⋱⋯s0N−1⋮skN−1⋮sN−1N−1⎦⎥⎥⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡x[0]x[1]⋮x[n]⋮x[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡X[0]X[1]⋮X[k]⋮X[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
SSS矩阵中的每一行都是一个SkS_kSk向量,Sk=e−j2πkn/N,n=0,1,⋯ ,N−1S_k = e^{-j2\pi kn/N}, n=0,1,\cdots,N-1Sk=e−j2πkn/N,n=0,1,⋯,N−1,进一步简化上面的表示,得到:
[⋯S0⋯⋮⋯Sk⋯⋮⋯SN−1⋯][x[0]x[1]⋮x[n]⋮x[N−1]]=[X[0]X[1]⋮X[k]⋮X[N−1]]\begin{bmatrix} \cdots & S_0 & \cdots \\ & \vdots & \\ \cdots & S_k & \cdots \\ & \vdots & \\ \cdots & S_{N-1} & \cdots \\ \end{bmatrix} \begin{bmatrix} x[0] \\ x[1] \\ \vdots\\ x[n] \\ \vdots \\ x[N-1] \end{bmatrix} = \begin{bmatrix} X[0] \\ X[1] \\ \vdots\\ X[k] \\ \vdots \\ X[N-1] \end{bmatrix} ⎣⎢⎢⎢⎢⎢⎢⎡⋯⋯⋯S0⋮Sk⋮SN−1⋯⋯⋯⎦⎥⎥⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡x[0]x[1]⋮x[n]⋮x[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡X[0]X[1]⋮X[k]⋮X[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
IDFT的矩阵表示
从IDFT的公式,可以看出,其实IDFT和DFT表示是一样的,只是对象发生了变化。具体来说,有两个变化:
- 由于指数部分不再有符号,SkS_kSk进行了共轭操作,得到Sk∗S_k^*Sk∗
- 输入是频率信息X[k]
因此,矩阵表示变成了下面这样:
[⋯S0∗⋯⋮⋯Sk∗⋯⋮⋯SN−1∗⋯][X[0]X[1]⋮X[n]⋮X[N−1]]=[x[0]x[1]⋮x[k]⋮x[N−1]]\begin{bmatrix} \cdots & S_0^* & \cdots \\ & \vdots & \\ \cdots & S_k^* & \cdots \\ & \vdots & \\ \cdots & S_{N-1}^* & \cdots \\ \end{bmatrix} \begin{bmatrix} X[0] \\ X[1] \\ \vdots\\ X[n] \\ \vdots \\ X[N-1] \end{bmatrix} = \begin{bmatrix} x[0] \\ x[1] \\ \vdots\\ x[k] \\ \vdots \\ x[N-1] \end{bmatrix} ⎣⎢⎢⎢⎢⎢⎢⎡⋯⋯⋯S0∗⋮Sk∗⋮SN−1∗⋯⋯⋯⎦⎥⎥⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡X[0]X[1]⋮X[n]⋮X[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡x[0]x[1]⋮x[k]⋮x[N−1]⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
Talk is cheap, show me the code
接下来就简单多了,我们将先介绍如何使用scipy中ifft,然后自己动手实现一份ifft
导入必要的包
import numpy as np
from scipy.fftpack import fft, ifftimport matplotlib.pyplot as plt%matplotlib notebook
生成信号用于测试
def generate_sine(N, A, fs, f0, phi):'''N : number of samplesA : amplitudefs: sample ratef0: frequencyphi: initial phase'''T = 1/fsn = np.arange(N)x = A*np.cos( 2*np.pi*f0*n*T + phi )return x# generate signal
N = 501
A = 0.8
fs = 44100
f0 = 1000
phi = 0.0x = generate_sine(N, A, fs, f0, phi)plt.figure()
plt.plot(x)
plt.show()
使用scipy中的ifft
# fft the signal
N = 512 # fft size
X = fft(x, N)
mX = np.abs(X)
pX = np.angle(X)freq_axis = np.arange(N)/N * fs
plt.figure(figsize=(10, 12))
ax = plt.subplot(3,1,1)
plt.plot(freq_axis, mX)
ax.set_title('Magnitude')ax = plt.subplot(3,1,2)
plt.plot(freq_axis, pX)
ax.set_title('Phase')# ifft it
ifft_x = ifft(X)
ax = plt.subplot(3,1,3)
plt.plot(ifft_x)
ax.set_title('Synthesise')plt.show()
自己动手写ifft
只有两个地方要注意:
- 不要忘记乘上 1/N
- Sk∗S_k^*Sk∗是SkS_kSk向量的共轭后的结果。反映在代码中,就是Sk∗S_k^*Sk∗不要共轭操作之间返回
def generate_complex_sinusoid(n, N):'''n : time index (or frequency index)N : number of sample'''k = np.arange(N)c_sin = np.exp(1j*2*np.pi*k*n/N)return c_sin# ifft loop
ifft_x = np.array([])for i in range(N):s = generate_complex_sinusoid(i, N)ifft_x = np.append(ifft_x, 1/N * np.sum(X*s))plt.figure()
plt.plot(ifft_x)
plt.show()
总结
通过自己动手,我们发现IDFT的原来和实现很简单,几乎与DFT一模一样,唯一需要注意的点就是Sk∗S_k^*Sk∗
IDFT的python实现相关推荐
- 第4章 Python 数字图像处理(DIP) - 频率域滤波7 - 二维DFT和IDFT的一些性质 - 傅里叶频谱和相角
目录 二维DFT和IDFT的一些性质 傅里叶频谱和相角 二维DFT和IDFT的一些性质 傅里叶频谱和相角 F(u,v)=R(u,v)+jI(u,v)=∣F(u,v)∣ejϕ(u,v)(4.86)F(u ...
- 第4章 Python 数字图像处理(DIP) - 频率域滤波6 - 二维DFT和IDFT的一些性质 - 平移和旋转、周期性、对称性
目录 二维DFT和IDFT的一些性质 空间间隔和频率间隔的关系 平移和旋转 周期性 对称性 二维DFT和IDFT的一些性质 空间间隔和频率间隔的关系 Δu=1MΔT(4.69)\Delta u = \ ...
- 第4章 Python 数字图像处理(DIP) - 频率域滤波8 - 二维DFT和IDFT的一些性质 - 二维离散卷积定理
目录 二维DFT和IDFT的一些性质 二维离散卷积定理 二维离散傅里叶变换性质的小结 二维DFT和IDFT的一些性质 二维离散卷积定理 二维循环卷积表达式: (f⋆h)(x,y)=∑m=0M−1∑n= ...
- 基于python物流管理系统毕业设计-长白高校邦数据科学通识课【Python基础语法】答案...
长白高校邦数据科学通识课[Python基础语法]答案it8p 长白高校邦数据科学通识课[Python基础语法]答案 关注公众号{帅搜}即可查询答案 支持:网课,智慧树,知到,超星,尔雅,学习通,选修课 ...
- python代码块所属关系的语法-天元高校邦数据科学通识课【Python基础语法】答案...
天元高校邦数据科学通识课[Python基础语法]答案it8p 天元高校邦数据科学通识课[Python基础语法]答案 关注公众号{帅搜}即可查询答案 支持:大学网课,智慧树,知到,超星,尔雅,学习通,选 ...
- python高通滤波器设计_python实现直方图均衡化,理想高通滤波与高斯低通滤波
写在前面 HIT大三上学期视听觉信号处理课程中视觉部分的实验二,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验二. 由于时间紧张,代码没有进行任何优化, ...
- Python中OpenCV2. VS. CV1
OpenCV的2.4.7.版本生成了python的CV2模块,可以直接载入: 有兴趣的可以参考这个教程:http://blog.csdn.net/sunny2038/article/details/9 ...
- python傅里叶变换库_python的numpy库和cv2库实现图像傅里叶变换
码字不易,如果对您有所帮助,记着点赞哦! 一. 图像傅里叶变换原理: 对二维图像进行傅里叶变换用如下公式进行: 图像长M,高N.F(u,v)表示频域图像,f(x,y)表示时域图像.u的范围为[0,M- ...
- Python+OpenCV:傅里叶变换(Fourier Transform)
Python+OpenCV:傅里叶变换(Fourier Transform) ############################################################# ...
最新文章
- 永州科技学院有计算机专业吗,永州科技学院有哪些专业
- SAP SD基础知识之订单中装运相关的功能 I
- Office2019 Word 新建文档豆沙绿背景色失效零时解决方案
- 如何将视频网站中的视频插入到博客中
- android app增加内存大小,android – 增加分配给应用程序的内存
- php+mysqli实现批量执行插入、更新及删除数据的方法
- setxor--求两个集合交集的非(异或)
- 全民创业时代,谁在大潮退去前“活”下来?
- linux压缩与解压缩命令
- comboBox.DataSource绑定
- OpenGL多线程实例
- .NET:如何让线程支持超时?
- 工作簿长时间空闲时自动关闭
- html 像素跟百分比,html – 将百分比宽度与边距(以像素为单位)组合起来
- java 网络编程学习笔记
- vs2010 导出创建dll 导入使用dll 导出有命名空间的类 函数 外部函数
- c/c++教程 - 2.4.3 this指针作用,链式编程思想,空指针访问成员函数,const修饰成员函数,常函数,常对象
- 我的blog终于开张啦 :)
- 电脑大小写怎么切换_小白买了Mac pro电脑学会基本操作
- undo歌词中文音译_Undo - Sanna nielsen帮我看看这歌词翻译对么
热门文章
- python函数定义时参数相当于占位符_python中函数的参数
- python统计行号_用Python实现两个文件的不同行的编号
- Python3小程序:把连续的16进制UTF8编码转换为字符串
- python len命令_python命令行参数
- php持久对象,php-在理论中具有两个外来身份的持久对象
- arduino温湿度计库文件_arduino学习笔记八 温湿度计
- php全选帖子删除,用PHP实现全选全删
- cglib和asm相关的文章
- Java学习笔记:进程与线程、BIO、NIO、Selector
- 大数据学习笔记37:Hive - 复杂数据类型