从离散傅里叶变换到离散余弦变换 —

首先我们列出离散傅里叶变换与离散余弦变换的公式：

离散傅里叶变换

正变换：
F ( u ) = ∑ x = 0 N f ( x ) e − j 2 π u x N , u = 0 , 1 , … , N − 1 F(u)=\sum^{N}_{x=0}f(x)e^{-j2\pi\frac{ux}{N}},\ u=0,1,\ \dots\ ,N-1 F(u)=x=0∑Nf(x)e−j2πNux, u=0,1, … ,N−1

反变换：
f ( x ) = 1 N ∑ x = 0 N F ( u ) e j 2 π u x N , x = 0 , 1 , … , N − 1 f(x)=\frac{1}{N}\sum^{N}_{x=0}F(u)e^{\ j2\pi\frac{ux}{N}},\ x=0,1,\ \dots\ ,N-1 f(x)=N1x=0∑NF(u)e j2πNux, x=0,1, … ,N−1

离散余弦变换

正变换：
F ( u ) = α ( u ) ∑ x = 0 N − 1 f ( x ) c o s ( 2 x + 1 ) u π 2 N , u = 0 , 1 , … , N − 1 F(u)=\alpha(u) \sum^{N-1}_{x=0}f(x)cos\frac{(2x+1)u\pi}{2N},\ u=0,1,\ \dots\ ,N-1 F(u)=α(u)x=0∑N−1f(x)cos2N(2x+1)uπ, u=0,1, … ,N−1

反变换：
f ( x ) = ∑ u = 0 N − 1 α ( u ) F ( u ) c o s ( 2 x + 1 ) u π 2 N , x = 0 , 1 , … , N − 1 f(x)=\sum^{N-1}_{u=0}\alpha(u)F(u)cos\frac{(2x+1)u\pi}{2N},\ x=0,1,\ \dots\ ,N-1 f(x)=u=0∑N−1α(u)F(u)cos2N(2x+1)uπ, x=0,1, … ,N−1

其中
α ( u ) = { 1 N , u = 0 2 N , u ≠ 0 \alpha(u)= \begin{cases} \sqrt{\frac{1}{N}}\ , & u=0 \\ \sqrt{\frac{2}{N}}\ , & u \ne 0 \end{cases} α(u)=⎩⎨⎧N1 ,N2 ,u=0u=0
离散余弦变换其实是对原信号经一定处理后产生新信号的离散傅里叶变换。从原始信号到新信号的变换过程如下图所示。

原始信号（蓝）先做对称（红）再平移 1/2 个单位后得到新信号。如果把原信号作为 f ( x ) f(x) f(x)，那么新信号为 g ( x ) = f ( x − 1 2 ) + f ( − x − 1 2 ) g(x)=f(x-\frac{1}{2})+f(-x-\frac{1}{2}) g(x)=f(x−21)+f(−x−21)。

在证明对新信号的离散傅里叶变换就是对原信号的离散余弦变换之前，我们先对傅里叶变换公式进行一些处理，我们把公式前面的系数重新分配一下。这样做会改变正变换的结果，但不会对反变换的结果造成影响，也就是说依然能够还原出正确的 f ( x ) f(x) f(x)。（其实怎么改都无所谓，只要系数乘积结果相同就行）

正变换：
F ( u ) = 1 N ∑ x = 0 N f ( x ) e − j 2 π u x N , u = 0 , 1 , … , N − 1 F(u)=\frac{1}{\sqrt{N}}\sum^{N}_{x=0}f(x)e^{-j2\pi\frac{ux}{N}},\ u=0,1,\ \dots\ ,N-1 F(u)=N 1x=0∑Nf(x)e−j2πNux, u=0,1, … ,N−1

反变换：
f ( x ) = 1 N ∑ x = 0 N F ( u ) e j 2 π u x N , x = 0 , 1 , … , N − 1 f(x)=\frac{1}{\sqrt{N}}\sum^{N}_{x=0}F(u)e^{\ j2\pi\frac{ux}{N}},\ x=0,1,\ \dots\ ,N-1 f(x)=N 1x=0∑NF(u)e j2πNux, x=0,1, … ,N−1

下面开始证明。

证明

原始信号范围为 0 , 1 , … , N − 1 0, 1, \ \dots \ ,N-1 0,1, … ,N−1，新信号的范围为 − N + 1 2 , − N + 3 2 , … , N − 1 2 -N+\frac{1}{2}, -N+\frac{3}{2},\ \dots\ ,N-\frac{1}{2} −N+21,−N+23, … ,N−21，故对信号的傅里叶变换为：
F ( u ) = 1 2 N ∑ x = − N + 1 2 N − 1 2 g ( x ) e − j 2 π u x 2 N = 1 2 N ∑ x = − N + 1 2 N − 1 2 g ( x ) [ c o s 2 π u x 2 N − j s i n 2 π u x 2 N ] 【 g ( x ) 偶函数， s i n 奇函数，乘积后求和为 0 】 = 1 2 N ∑ x = − N + 1 2 N − 1 2 g ( x ) c o s 2 π u x 2 N 【 g ( x ) 偶函数， c o s 偶函数，乘积后求和为 2 倍正半轴部分】 = 2 N ∑ x = 1 2 N − 1 2 f ( x − 1 2 ) c o s 2 π u x 2 N = 2 N ∑ x = 0 N − 1 f ( x ) c o s 2 π u ( x + 1 2 ) 2 N = 2 N ∑ x = 0 N − 1 f ( x ) c o s ( 2 x + 1 ) u π 2 N \begin{aligned} F(u) & = \frac{1}{\sqrt{2N}}\sum^{N-\frac{1}{2}}_{x=-N+\frac{1}{2}}g(x)e^{-j2\pi\frac{ux}{2N}} \\ & = \frac{1}{\sqrt{2N}}\sum^{N-\frac{1}{2}}_{x=-N+\frac{1}{2}}g(x)\bigg[cos\frac{2\pi ux}{2N}-jsin\frac{2\pi ux}{2N}\bigg]\ 【g(x) 偶函数，sin 奇函数，乘积后求和为 0】\\ & = \frac{1}{\sqrt{2N}}\sum^{N-\frac{1}{2}}_{x=-N+\frac{1}{2}}g(x)cos\frac{2\pi ux}{2N} \ 【g(x) 偶函数，cos 偶函数，乘积后求和为 2 倍正半轴部分】 \\ & = \sqrt\frac{2}{N}\sum^{N-\frac{1}{2}}_{x=\frac{1}{2}}f(x-\frac{1}{2})cos\frac{2\pi ux}{2N} \\ & = \sqrt\frac{2}{N}\sum^{N-1}_{x=0}f(x)cos\frac{2\pi u(x+\frac{1}{2})}{2N} \\ & = \sqrt\frac{2}{N}\sum^{N-1}_{x=0}f(x)cos\frac{(2x+1)u\pi}{2N} \end{aligned} F(u)=2N 1x=−N+21∑N−21g(x)e−j2π2Nux=2N 1x=−N+21∑N−21g(x)[cos2N2πux−jsin2N2πux] 【g(x)偶函数，sin奇函数，乘积后求和为0】=2N 1x=−N+21∑N−21g(x)cos2N2πux 【g(x)偶函数，cos偶函数，乘积后求和为2倍正半轴部分】=N2 x=21∑N−21f(x−21)cos2N2πux=N2 x=0∑N−1f(x)cos2N2πu(x+21)=N2 x=0∑N−1f(x)cos2N(2x+1)uπ

这里结果已经非常接近了，但是原始离散余弦变换公式中有一个 α ( u ) \alpha(u) α(u)，其在 u ≠ 0 u \ne 0 u=0 时与推导中的结果相同，但是在 u = 0 u=0 u=0 时不同，这是为了满足正交变换核也就是基函数在不同 u u u 下对 x x x 求和结果都为 1。如果有需要的同学，可以在评论区中告诉我，我再进行后续补充证明。

现在，我们知道离散余弦变换其实就是一种特殊的傅里叶变换，大部分傅里叶变换的性质在离散余弦变换中都是能够使用的，而离散余弦变换因为不涉及虚部计算，相比傅里叶变换计算量少了一倍，计算速度也更快，因此在大多数场景下，我们会优先考虑使用离散余弦变换。在上一篇文章中我提到了利用傅里叶的时域（空域）卷积定理进行图像滤波，那么离散余弦变换是否也能使用时域卷积定理并应用在图像滤波中呢，请见我下一篇文章利用离散余弦的时域（空域）卷积定理进行图像滤波。

从离散傅里叶变换到离散余弦变换 —— 公式证明相关推荐

傅里叶变换、离散余弦变换、拉普拉斯变换、Z变换
图像的变换图像的傅里叶变换(平移后)数据在频域中心,离散余弦变换以后频率域平均值数据都在左上角.所以在滤波时使用傅里叶变换,图像压缩时使用离散余弦变换.变换后的图像,低频部分反应图像平滑度(概貌特性 ...
【MATLAB】图像变换（傅里叶变换、离散余弦变换）
目录 1.实验目的和要求 2.实验内容及过程 3.实验结果及分析
【matlab 图像处理】离散傅里叶变换离散余弦变换K-L变换小波变换
[matlab 图像处理]离散傅里叶变换&离散余弦变换&K-L变换&小波变换正交变换是信号处理的一种有效工具.图像信号不仅可以在空间域表示,也可以在频域表示,后者将有利于许多 ...
离散余弦变换滤波算法（DCT）
离散余弦变换滤波算法(DCT) 之前介绍的所有滤波算法都是空间域滤波算法(即2D滤波算法),今天来介绍一下频率域滤波算法,之后还会介绍时间域滤波算法(即3D滤波算法),敬请期待. 时间域相对于空间域增 ...
图像离散余弦变换（含python代码）
目录前言理论准备离散余弦变换与傅里叶变换的区别离散余弦变换的适用性代码实现如果不进行数据类型转换float32,就会报错显示dct变换过程中图像数据变化压缩和压缩恢复变化前言在阅读 ...
离散余弦变换和离散傅里叶变换
DCT(离散余弦变换):DCT(离散余弦变换):DCT(离散余弦变换): X[u,m]=∑u=0N−1∑m=0N−1x[u,m]∗c[u,m]X[u,m]=\sum\limits_{u=0}^{N-1 ...
压缩感知稀疏基之离散余弦变换(DCT)和离散正弦变换(DST)
题目:压缩感知稀疏基之离散余弦变换(DCT)和离散正弦变换(DST) 在前面一篇<压缩感知的常见稀疏基名称及离散傅里叶变换基>中集结了九篇压缩感知文献中有关稀疏基名称,并且直白地告诉大家稀 ...
基于离散余弦变换（DCT）傅里叶变换（DFT）小波变换（DWT）的彩色图像数字水印的嵌入、提取简介及MATLAB实现
一.引言该篇包括三部分,1)引言.2)图像变化技术简介和代码实现 .3)基于图像变换技术的数字水印技术及代码实现. 数字水印是一种有效的数字产品版权保护和数据安全维护技术, 是信息隐藏领域的一个重要 ...
离散余弦变换java实现_离散余弦变换(含源码)
图像处理中常用的正交变换除了傅里叶变换外,还有其他一些有用的正交变换,其中离散余弦就是一种.离散余弦变换表示为DCT( Discrete Cosine Transformation),常用于图像处理和 ...

从离散傅里叶变换到离散余弦变换 —— 公式证明

离散傅里叶变换

离散余弦变换

证明

从离散傅里叶变换到离散余弦变换 —— 公式证明相关推荐

最新文章

热门文章