第 3 章 信号的傅里叶变

换 与傅
3.1 连续信号的傅里叶变换 ; 处立
3.2 理叶
离散信号的傅里叶变换（ DTFT ）；
3.3 抽样定理；
的 变
基换
3.4 离散傅里叶级数（ DFS ）；
本是
3.5 离散傅里叶变换（ DFT ）； 工信
3.6 用 DFT 计算线性卷积； 具号
3.7 与 DFT 有关的几个问题； 分
3.8 二维傅里叶变换
析
傅立叶变换的几种可能形式
 傅立叶变换：以时间为自变量的“信
号”与以频率为自变量的“频谱”函
数之间的一种变换关系

 当自变量“时间”和“频率”取连续
或离散值、周期或非周期值时，就形
成不同形式的傅立叶变换对
2
 3.1 连续信号的傅立叶变换

1. 连续周期信号的傅立叶变换（傅立叶级数）

3
 Dirichlet 条件（充分而不必要）
—— 连续周期信号可展成 Fourier 级数的条
件
 任一周期内间断点数目有限
 任一周期内极值点数目有限
 任一周期内绝对可积，

不满足 Dirichlet
4
FS 傅立叶系数
=< 信号 , 复正弦 > 内积
= 信号在不同频率复正弦
基向量上的投影

满足 Dirichlet 条件的连续周期函数 x(t) 可

分解为无穷多个不同离散频率正弦信号（直
流，基波，各次谐波）的线性组合
—— Fourier 级数
傅立叶系数 X ( k 0 ) k 是第 次谐
波的系数（表幅度） X (k 0 ) , 在频率坐标
0
轴是离散的， 间隔是 （时域信号的频
5
 图 3.1.1
x(t )
A



T
0
 2  2 T
t

k 6
2. 连续非周期信号的傅立叶变换：

FT

——Dirichlet 条件
（从一个周期扩展到无穷区间， L 7
8
 x(t )
A
对比 


T
0
 2  2 T
t

k0



A x (t )
t


0
 

2 2
9
FT 和 FS 的区别

1. 连续
离散
2. 密度
强度（幅度）
3. 对于非周期信号 对于周期信号
4. 整个区间 一个周期 10
FT 与 FS 的量纲

若 x(t ) 是非周期信号，可以认为：

11
12
有
0 0 频
谱
密
度

13
Parseval 关系（定理）

14
FT 存在的条件：

说法 1 ： x(t )  L1 （ Dirichlet 条件）

 
 dt  
 j t
X ( j )  x(t )e x(t ) dt  
 

说法 2 ： x(t )  L2
因为  2 
Ex   x(t ) dt  [  x(t ) dt ]2
 
15
  2 
因为 Ex   x (t ) dt  [  2
x (t ) dt ]
 

所以，如果 x(t ) 是绝对可积的，那么

它一定
是平方可积的，但是反之不一定成立。例如，
sin 2 t
x(t )  存在 FT ！
t
是平方可积的，但不是绝对可积的。所以，取
x(t )  L1 更稳妥（即更严格）
Dirichlet 条件充分而非必要！
16
周期信号： 可以实现傅里叶级数的分解，
属于功率信号；
非周期信号：若属于能量信号，
可以实现傅里
叶变换；
那么，周期信号可否实现傅里叶变换

在经典数学的意义上是不可实现
的，
但在引入了奇异函数后可以实现。
17
 周期信号

FS

（正交性）

线谱：
无穷小频谱范围，
无穷大频谱密度
18
 总结

信号 FT
（时域） （频域）
连续 非周期
周期 离散
连续 非周期
非周期 连续
19
例：令 x (t )  cos(2 f 0t )
求其傅立叶变换。
 2
因为： x(t ) dt   所以，严格
意义上的傅立
叶变换不存在，可将其展开为傅立叶级数：

现利用  x(t )将
函数 作
傅立叶变换：
20
  
 dt   [e
 j t  j ( 0 ) t  j ( 0 ) t
x(t )e e ]dt
 

  (   0 )   (   0 )

X (k 0 )
FS
1/ 2 1/ 2

线 1 0 1
k 0

X ( j)
 
谱 FT

 0 0 0
21
时域冲激串的 FT

—— 频域冲激串

22
23
（二）特点

1. x (n) 是离散的，所以变换需要求和；

2. X ( e j
) 是  的连续函数；

是 2
j
3. X ( e ) 的周期函数，周期为
；

24
以矩形脉冲为例 :
 时域的离散造成频域的周期延拓
 时域的非周期性对应频域的连续性

X(ejω)
x(nT)T S

t -ΩS ΩS Ω
0

(a) 离散时间序列 (b) 序列的频谱

图 离散时间序列及其傅立叶变换
25
4. 存在的条件是 x (n)  l1
X (e j )
空间
（绝对可和）

注意：若在频域引入冲激函数，
非绝对可和序列的 DTFT 也可能存在

26
27
 6. DTFT 是 z z
在单位圆上取值时的
变换

7. 物理意义上， 表示序列的频谱密度
函数，简称频谱， 为数字域频率 ( 单位 rad)

8. 由 x ( n)
可以得到
的幅度谱、相位谱及能量谱，从而实
现离散信号的频频分析
28
9. 反变换

29
 四种傅立叶变
换:
1. 连续非周期 连续非周期 () FT
2. 连续周期 离散非周期 () FS
3. 离散非周期 连续周期（ ） DTFT
4. 离散周期 离散周期 DFS

切实理解四种 FT 之间的对应关系
30
四种傅立叶变换

31
32
33
3. 奇偶、虚实对称
性

虚实部、幅度谱、相位谱，
都是以 为周期的 的连续函数

34
35
36
（ 2 ） DTFT 的对称性

37
 （ 3 ）如果 x(n) 是实信号，
即

共轭对称！

• 因此描述实信号频谱分布时可以只需考虑
半个周期数字频率 的范围
38
39
序列傅里叶变换的对称性质

40
4. 时域卷积定理
如果

则：

5. 如果

则：

频域卷积定理！（序列乘积定理 ）
41
 6. 时域相关定理
互相关：
DTFT

自相关：
能量谱


自相关函数的 DTFT 始终是 的实
42
7. Parseval 定理（能量守恒定理）
2
2
E x   x (n)   x , x   x 2
n

43
 j
E x (e )

1  2

2

j
x ( n)  X (e ) d 
n 2 

注意： 上述关系只对能量信号成立
44
45
8. Wiener—Khinchin 定理
对功率信号，其自相关函数定义为：

46
定理： j 2
 X 2 N (e )

m 
rx (m)e  j m
 lim
N  2N 1
 Px (e j )

1 

j
Px  Px (e )d
2 

47
说明：
P
1. x ( e j
) 在  ~  内的积分等
j j
于信号的功率，所以称 Px (e ) Ex 为功
(e )
率谱，同理， 为能量谱；
2. Px (e ) 始终是
j
的实函数；

3. 相关函数和功率谱是随机信号分析与处
理的主要工具，它们都需要靠“估计”得
到，这就形成了丰富的“估值理论”。

48
 
4. j
Px (e )   r (m)ex
 j m

m 

思考：由功率谱是否可以得到原信号
49
3.2.4 典型序列的 DTFT

幅频？相频？

线性相位

时域实偶，频域偶实
50
例
3.2.3:

1
X ( z)  1
1  az

低通 a>0 a<0
高
通
51
52
基本序列的傅里叶变换

53
作业

P147
 T3.1(3)
 T3.10

54
（四）应用

例 1 ：矩形 1
d (n)  
n  0,1,, N  1
窗 0 n为其他值
 j N
N 1
1 e
D(e )   e
j  j n
  j
n 0 1 e
 j ( N 1) / 2 sin( N / 2)
e
sin( / 2)
j ( )
e Dg ( ) 线性相位
55
 频谱是 ω 的连续周期函数，周期为 2π
D D
 d(n) 为实序列，幅频偶对称，相位奇对称

N=5

56
57
 2
sin c 函数
N
6
N
4  k
2
2
2

0
k
-2
-0.5 -0.4 -0.3 -0.2 -0.1 0
(a) N=6
0.1 0.2 0.3 0.4 0.5 N
20

15
过零点
10

0
N 越
-5
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
大，主瓣
(b) N=18
越窄 58
 xN ( n)  x ( n) d ( n)
例 2. 信号截短：
j j j
X N ( e )  X (e ) * D (e )
注意：所有有限长的信号都可看作一
无限长的信号和一矩形窗相乘
的结果。关键是对频
域的影响
令： x(n)  cos( 0 n)
则： X (e j ) 是周期的线谱，与 D(e j )
卷积后，频谱将发生失真，影响
其分辨率 (Resolution)
59
两个线谱和 sin c 函数的卷
积：
f1  0.226
f 2  0.274 f1 f2
8

N  31 2

0
0 0.1 0.2 0.3 0.4 0.5

30

20

10
N  51
0
0 0.1 0.2 0.3 0.4 0.5

60
窗函数频谱：
• 最大峰值左、右第一个过零点之间距离称主瓣
• 主瓣外第一个峰值称为（第一）边瓣
• 主瓣的宽度越小越好，边瓣幅度越小越好
•若想分辨出1 ,  2 两个谱峰，数据长
度： 4 4 是矩形窗
 1   2 ,
N N 主瓣宽度
61
 加窗影响

 影响 频率分辨率
 频谱泄漏：
– 原频谱为 0 处，加窗后不再为 0

– 边瓣越大，衰减越慢，泄漏越严重

62
 3.3 连续时间信号的抽样
3.3.1 抽样定理

63
抽样过程方框图

连续信号 抽样信号 数字信号

f (t) 抽样 量化编码
fs (t)

抽样脉冲
p (t)

连续信号经抽样变成抽样信号，再经量化、编
码变成数字信号；数字信号经传输，然后进行
上述过程的逆变换就可恢复出原连续信号
基于上述原理构成的数字通信系统在
很多性能上都要比模拟通信系统优越 64
65
 信号抽样的数学模型：


请 p (t )    (t  kT )
k 
s

掌 FT
握 2 
公 P ( j) 
Ts
  ( k  )
s

式 ∧
k 

的 x(n)  xa (t ) p (t )
推 FT 的性质
导
！
66
67
 1 
j
X (e ) 
Ts
X
k 
a ( j  jk  s )  / Ts

时域离散 周期延拓，无穷迭加
↓↓
频域周期
迭加
后可
  能产
X (e j )
生的
  影响
68
 j ( ~  ) X a ( j) 相等
若保证 X (e )

则 x ( n) x(t ) 全部信息
保
留
要求：
或 fs  2 fc
即：抽样频率 f s 至少要等于信号最
fc
高频率 的两倍。此即抽样定理。

Nyquist 抽样定理， Shannon 抽样定

理 69
○
ωs=2π

70
采样周期变化对频谱的影响

1) 当 Ωs 2 Ω c 时， Xs(ej) 是

Xa(jΩ) 在不同 Ω s 倍数上的重复与

再现，幅值为原值的 1/Ts

2) 当 Ω s<2 Ω c 时， Xs(ej)

中出现 Xa(jΩ) 的叠加与混合（混迭

现象， Aliasing ），无法恢复原信
71
 要保证从抽样后的离散时间信号无失真地恢复原始连续
信号，必须满足：
（ 1 ）信号是频带受限的；
（ 2 ）采样率至少是信号最高频率的两倍

如何保证 fs  2 fc
1. 做频谱分析，了解 X a ( j)

2. 使用抗混迭滤波器，限制 X a ( j)
的范围。
x(t ) x ( n)
H a ( s) A/ D
f s ：抽样频率；
f s / 2 ：折迭频率 72
 3.3.2 如何由 x(n) x(t出
重建 )

工程上： 使用 D/A 转换器；

理论上： 导出如下：

j
在满足抽样定理的情况下，X ( e ) 一个
周期 X a ( j)
即等于 ，因此，可截取 73
 H ( j)  Ts    s / 2 其余为零
sin( s t / 2)
h(t )  , sin c
( s t / 2)
j
X a ( j)  X (e ) H ( j) | Ts 时域卷积

插值公式 插值
权
函数

sin[ (t  nTs ) / Ts ]
xa (t )   x(nTs )
n   (t  nTs ) / Ts
74
 3.4 离散傅立叶级数（ DF
S ） （ Discrete Fourier Series ）
x (n)  x ( n  N ) 周期序列
• 周期序列不能进行 Z 变换，因为其在 n=-
到 + 都周而复始永不衰减，即 z 平面上没有收敛
域
• 亦不能 DTFT ，要寻求其它的频域表示方式
• 正像连续时间周期信号可用傅氏级数表达，
周期序列也可用离散的傅氏级数来表示，也即用
75
周期为 N 的正弦序列来表示
76
 
FS: x (t )   X ( k  )e
0
jk 0t

连续、周期
k  离散、非周期

离散化 t  nTs x (t )  x (nTs )

离散、周期
jk 0t
0  2 T e
2
t  nTs jk nTs
NTs
T  NTs e
0  2 NTs 2
j nk
e N
77
 2
jk nTs
x (nTs )   X (k  0 )e NTs

k
2
j nk
  X (k  0 )e N

X (k 0 ) 离散、周期

周期：  s  2 / Ts  2 N / T  N  0

由抽样定理，

求和范围：一个周期！
78
即： x (nTs ) N
是周期的，周期是 Ts ，
间隔是
 X (k 0 ) N
是周期的，周期是 0
，间隔是
所以，各取一个周期，有：
N 1 2
j nk
X ( k )   x ( n )e N
k   ~ 
n 0
2
此即 DFS!
1 N 1 j nk
x ( n )   X ( k )e N
n   ~ 
○N k 0（定标因子）
• 定义 n=0 到 N-1 的周期区间为　　的主值区
间
• 主值区间内的 N 个样本值组成的有限长序列 79
80
例 已知一余弦离散时间信号
，分别求出当（ 1 ） 及
（2） 时，该序列的 DFS 。
解 （ 1 ）若 ，则
是无理数，所以该正弦序列不是周期序
列，因而不能展开为傅里叶级数。
（2） ，序列是周期为 N=6 的
周期序列，信号可写为

81
 5
~
所以 X (k )  DFS[ ~
x (n)]   ~   k  
kn
x (n)W6
，
n 0 2
WN  exp( j )
N

序列的频谱的一个周期为
~ ~ ~ ~
X (0)  X (2)  X (3)  X (4)  0
~ ~
X (1)  X (5)  3

… … …

-1 0 1 5 0 1 2 3 4 5 6

82
83
例 设 {··· ， 0 ， 1 ， 2 ， 3 ， 0 ， 1 ， 2 ， 3 ， ···}
是一个以 N= 4 为周期的周期序列，求离散傅里叶级数

解：

因此得到，离散傅里叶级数 {··· ， 6 ， -2+2j ， -2 ， -2-2j ，

6 ， -2+2j ， -2 ， -2-2j ， ···}
84
DFS 中， n, k 仍取无穷长，实际上没
必要！ N 1 j
2
nk
X ( k )   x ( n )e N k   ~ 
n 0
2
1 N 1 j nk
x ( n) 
N
 X ( k )e
k 0
N
n   ~ 
N 1 2
j nk
X ( k )   x ( n )e N
k  0,1, N  1
改 n 0
为： 2
1 N 1 j nk
x ( n) 
N
 X ( k )e
k 0
N
n  0,1, , N  1
有限长序列的 DFT 仍然
此即 DFT !
是 85
为什么要由 DFS 过渡到 DFT ？
1. 从原理上， x ( nTs ) X ( k和
0)
的各自一个周期即可表示完
整的序列；
2. 在计算机上实现信号频谱分析时，要求：
时域、频域都是离散的，并且都是有限长
3. FT 、 FS 、 DTFT 、 DFS 都不符合
要求；但利用 DFS 的时域、频域的周期
性，各取一个周期，就形成新变换对：

但 DFT 并不是“第五种”傅立叶变
换！ 86
●
将有限长序列 延拓成周
期序列

●
离散傅立叶变换隐含着周期性
- DFS 和有限长序列的 DFT 在本质上没有区别
- 前者是后者的周期延拓。后者是前者取主值的结果
87
 3.5 离散傅立叶变换（ DF
T ）(Discrete Fourier Transform)
分析式
N 1
X (k )   x(n)WN ,
nk  j 2 / N
WN  e W 因子
n 0
N 点 DFT 的变换
综合式 1 N 1
核
 X (k )W
 nk
x ( n)  N n, k  0,1, , N  1
N k 0

DFT 变换对左右两边都是离散的，有限长，
可方便地实现频谱分析。注意它们均来自
DFS, 即 x(n) X (k )和 都是隐
含周期的！ 88
 称旋转因子（Ｗ 因子） WNm  1
（ a ）对称性：
（ b ）周期性： ， 为整数
（ c ）换底：当 为整数时，
有

（ d ）几个特殊值：
N  j 2 N /2  j
W e
N  1, W
N e  1
WNN / 4   j, WN3 N / 4  j, WNN / 2 r  WNN / 2WNr  WNr
89
90
 N
N

 长度为 M 的序列做周期延拓，周期 N （即变

换区间长度）至少为 M ，否则会出现混迭
 N 可大于 M
 对于确定的 N ， DFT 具有唯一性 91
DFT 特点：
（ 1 ） DFT 隐含周期性
（ 2 ） DFT 只适用于有限序列： DFT 一
定要对 x(n) 进行周期化处理，若 x(n) 无
限长，变成周期序列后各周期必然混叠，
造成信号失真。因此，要先进行截断处理，
使之为有限长，然后进行 DFT 处理
（ 3 ） DFT 正反变换的数学运算非常相
似，无论硬件还是软件实现比较容易
92
93
 DFT 的导出
工程上无法处理时间无限信号
时域截断 通过窗函数对信号进行逐段截取
时域乘以矩形脉冲信号，频域相当于和
sinc 函数卷积
解决信号的离散化问题
时域抽样 通过与抽样信号相乘得到
连续信号离散化使信号频谱被周期延拓
要使频率离散，就要使时域变周期信号
时域周期延拓周期延拓中的搬移通过与 δ(t-nTs) 的卷积来实现
周期延拓后的周期函数具有离散谱

经过截断、抽样和延拓，信号时域和频域都是离散、周期的
94
DFT

的
图
形 ○
ωs=2π
解
释

95
Z 变换、 DTFT 、 DFT 的取值范
围

96
 x(n), n  0,1, , N  1

j
N 1
z  e , or
X (e )   x (n)e
j  j n

n 0 r 1
N 1 2
 j nk
X ( k )   x ( n )e N
2
 k
n0 N
比较三
个式子
97
 单位圆上的 ZT 就是 DTFT
 序列 x(n) 的 N 点 DFT 相当于在 x(n)
的 z 变换的单位圆上进行 N 点等间隔
取样，第一个取样点应取在 z= 1 处
 X(k) 是 x(n) 的 DTFT X(e jω) 在一个周
期 [0, 2π] 上的 N 点等间隔取样

 N N 1
1 z X (k )
X ( z) 
N
 1 e
k 0
 j 2 k / N
z 1
98
DTFT

99
N

100
 DFT 的性质：
1. 线性
设 x1(n) 和 x2(n) 长度分别为 N1 和 N2 ，
取 N ≥ max[N1 ， N2] ，则

0≤k≤ N － 1
注意：如果 N1 和 N2 不相等，则以 N 为
DFT 变换长度时，其中相对较短的序列就
通过补零增加到长度为 N 101
2. 正交性 W 0
W0 W0  W0 
 0 
W W1 W 2
 W N 1

W N  [W nk ]  W 0 W2 W4  W 2( N _1) 
 
 
 0 ( N 1)( N 1) 
W W N 1 W 2( N 1)
 W 
正交阵 

核函数的正交性

1 1  1
X  WN x, WN  WN , x  WN X
N 102
4*4 的 DFT 矩阵：对称阵，正交阵（ N=
4）

103
3. 循环移位（圆周移位）
有限长序列 x(n) 的圆周移位：以它的长度 N 为
周期，延拓成周期序列 ，并将周期序列
进行移位，然后取主值区间（ n=0 到 N-1 ）上
的序列值。

• 时域循环移位定理
 km
DFT[ x(n  m)]  W X (k )
km
DFT[ x(n  m)]  W X (k ) 104
x (n)

N
x (n  2)

105
 N 1 2
j nk
X (k )   x (n  m)e N
, let : n  m  r
n 0

N 1 m 2
j ( r m ) k
 
r m
x ( r )e N

2 2
 N 1 j rk N 1 m j rk 
  x ( r )e 
 mk
W N
N
 x ( r )e N

 r m rN 
 WN mk X (k )
N 1 2 N 1 m 2 N 1 2
j rk j rk j rk
 x ( r )e
r m
N
 
r N
x ( r )e N
  x ( r )e
r 0
N

106
107
4. 奇、偶、虚、实对称性质
DFT 的反褶（新解释）：
先把有限长序列周期延拓，再作相应反褶，最后
取主值区间的序列作为最终结果。 x(-n)=x(N-n)

反褶（时间翻转性）和共轭性（反转定理）

时域 频域 公式
反褶 反褶 DFT[x(-n)]=X(-k)
* *
共轭 共轭＋反褶 DFT[x (n)]=X (-k)
共轭＋反褶 共轭 DFT[x*(-n)]=X*(k)

108
109
x ( n) 为实序列：

X (k )  X (k )  X ( N  k ) 共轭对称
X R (k )  X R (k )  X R ( N  k )
X I (k )   X I (k )   X I ( N  k )
X (k )  X ( N  k )
arg  X (k )    arg  X ( k ) 

110
111
———— 虚、实部均 偶对称————
———— 虚、实部均 奇对称————

112
例：试利用 DFT 的对称特性求　　　和　　　的 DFT 。
解：设

　　
因为
所以
　　

113
而因为

所以

114
5. Parseval’s 定理
2 2
N 1
1 N 1


n0
x ( n) 
N
 X (k )
k 0

形式不同

反映了信号在一个域及其变换域中的

能量守恒原理
115
两个序列的 Parseval 定理（ P149, T3.18 ）

证明：

　　　
　　　若 y(n)=x(n), 则

　　　即
116
6. 循环卷积（圆卷积）
x(n), h(n) 都是 N 点序列

线性卷积 
y (n)   x(k )h(n  k ), y (n) : 2 N  1
k 0

当和 DFT 联系起来时，注意到x(n) h(n)

N 都是以 为周期的周期序
列。移位时移进也有移出
117
118
循环卷积计算的圆形示意

119
 为什么有循环卷积
DFT 对应周期信号，所以 x (n) h(n) ，y (n)
及 都是周期的！序列移位
有移进也有移出！

循环矩阵

120
循环卷积的特点
（ A ）循环卷积隐含着周期性
（ B ）循环卷积在主值区间进行
（ C ）循环卷积与有限长序列线性卷积关系：
 两个长度为
N 序列的循环卷积长度仍为 N 。
但线性卷积不只限制在主值区间进行，且
两个长度均为 N 的有限长序列进行线性卷
积，其结果长度为 2N-1
 在一定条件下，可以利用循环卷积求序列
的线性卷积 121
122
123
线性卷积与循环卷积相比较：
线性卷积后序列长度为 N1+N2-1 ，循环卷积

后的序列长度保持不变，仍为 N = max[ N1,

N2 ]
124
由上题结果可推出：循环卷积是线性卷积以 N
3.6 用 DFT 计算线性卷
积x(n), n  0,1,, N  1
都是非周期
h(n), n  0,1, , M  1

y ( n)  x ( n )  h ( n)   x ( k ) h( n  k )
k 

L  N  M 1 DFT 有
如何用 DFT 来实现 快速算法

存在什么矛盾
125
126
 x ( n) L  N  M 1 h( n)
n  0,1, , N  1
y ( n) n  0,1, , M  1

零补 y ( n)  x ( n)  h ( n) 补
零
 x(n)  h(n) h(n)
x(n)
n  0,1, , L  1 n  0,1, , L  1
IDFT
DFT DFT
Y (k )  X (k ) H (k )
X (k ) H (k )
相乘
k  0,1, , L  1 k  0,1, , L  1
127
作业 1

P149

 T 3.19 (1)
(2)
(3) 通过 DFT 计算 y(n)
128
3.6.2 长序列卷积的计算：
x ( n) y ( n)
h( n)

数字信号处理要求“实时实现”，即信号进来
后，经处理后马上输出出去。然而：

y ( n)  x ( n)  h( n )   x ( k )h (n  k )
k 

x ( n) 没有全部进入，如何实现卷积
全部进入再卷积，又如何保证实时实现
129
关键是将 x(n) h( n)
分段和
卷积
x ( n) : N
h( n) : M
y ( n) : N  M 1
将 x ( n) L
分成 K  N/L
段，每段长

Overlap — add method 叠接相加法

Overlap — save method 叠接舍去法

130
 3.7 与 DFT 有关的几个问
题
一、分辨率
频率分辨率：通过频域窗观察到的频率宽度；
时间分辨率：通过时域窗观察到的时间宽度；

窗函数的“宽度”越小越好！
希
望 窗函数的“宽度”能随信号的
变化
自适应调整！ 131
 频率分辨率广义定义：将信号中两个靠得
很近的谱峰（频率分量）区分开的能力，
也称物理分辨率、频率分辨力
• 取决于信号的长度及频谱分析的算法
• 时间和频率是描述信号的主要物理量，通
过傅里叶变换相联系。研究频率分辨率一
定要研究傅里叶变换
 狭义定义： DFT 的一种频谱分析性能，
指某点数条件下 DFT 所表示的最小频率
间隔，也称计算分辨率 132
 FT DTFT

N 1 2
j nk
X ( k )   x ( n )e N
k  0,1, N  1
n 0
DFT
2
1 N 1 j nk
x ( n) 
N
 X ( k )e
k 0
N
n  0,1, , N  1

133
物理分辨率 —— 对 FT: 设 长度为
，则
的分辨率（主瓣决 2
定） d (t )
A
D ( j ) 
2
sin(T / 2) 
AT T
T / 2 T / 2 T 2
t

于主
时瓣
间宽
长度
度反
134
比
对 DTFT: 设抽样间隔为 , 数据长
则

于主
2

-2
-0.5 -0.4 -0.3 -0.2 -0.1 0
(a) N=6
0.1 0.2 0.3 0.4 0.5 时瓣
20
间宽
长度
15

10

度反
5

-5
-0.5 -0.4 -0.3 -0.2 -0.1 0
(b) N=18
0.1 0.2 0.3 0.4 0.5
比
135
 用计算机分析和处理信号时，信号总
是有限长，其长度即是窗函数的宽度，要想分
1,2
辨出
处的两个频谱，数据长度 M
必须满足：

对矩形窗，k  1 ，其他类型窗 k  1
函数，
2
“ 物理分辨率”：取
决于信号的有效长度

136
主瓣的另一种定义
 幅平方降到最大值的 0.5 （即 -3d
B ）时频谱的宽度
 对于矩形窗，这一宽度约为 2π/ T

137
狭义分辨率 —— 对 DFT:
N 1 2
j nk
X ( k )   x ( n )e N
k  0,1, N  1
n 0
2
1 N 1 j nk
x ( n) 
N
 X ( k )e
k 0
N
n  0,1, , N  1

 fN  f s N

此为 X (k ) 相邻两点的频率间隔，也
f1 , f 2
是最大分辨“细胞”。若要分辨出
f1  f 2
处的两个谱线，  fN 必须大于138
 例 3.7.1 ：
x(n)  sin(2 f1 n f s )  sin(2 f 2 n f s )  sin(2 f 3 n f s )
f1  2 Hz, f 2  2.02 Hz, f 3  2.07 Hz, f s  10 Hz,

试确定将三个谱峰分开所需数据长度。

本例中，最小的
f  f 2  f1  0.02 Hz
  2 f f s  2 0.002
（主瓣：采用过零点定义） 139
由

即要想分辨出这三个谱峰，数据长度 M 至少
要大于 1000 ，从 DFT 的角度看
若令 N  1024
则计算分辨率
f N f s N  10 1024  0.00976 Hz
140
下图， M 分别等于 256 和 1024 ，可
见， M = 256
时无法分辨三个谱峰
150

100

50

0
1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.5
Hz
600

400

200

0
1.7 1.8 1.9 2 2.1 2.2 2.3 2.4 2.5
Hz
141
 使用 DFT 的步骤：
 由信号的最高频率 f c fs
确定抽样频率
；
 要根据分辨率的要求确定模拟信号的长度T
,
T
若 可以无限长，则
 根据计算分辨率需要，确定 数据长度 N
；
 根据 DFT 的结果，再适当调整参数
DFT 和线性卷积是信号处理中两个最重要的基
本运算，有快速算法，且二者是“相通”的
142
 不变，若增加
N  N   f
, ？
“ 计算分辨
率”
如何增加数据的点数 N  N 

1. 提高抽样率；
能提高分辨率吗
2. 在数据后面补零
不能提
高分辨
率
143
 二、补零问题
数据后补零的影响：为什么要补零？
 不能提高物理分辨率，未增加数据有效长度！
 数据过短，补零后可起到一定的插值作用
（提高计算分辨率）
 使数据长度为 2 的整次幂，有利于 FFT
例 3.7.3 ：
x(n)  sin(2 f1 n f s )  sin(2 f 2 n f s )  sin(2 f 3 n f s )
f1  2.67 Hz,
f 2  3.75Hz, f 3  6.75Hz, f s  20 Hz,
j
X (e ) 在正频率处应该有三根谱线。
144
令 N  16

145
N  16（前 8 根谱线） 补 N 个零
（？）
8 8

6 6

4 4

2 2

0 0
0 5 10 0 5 10
Hz Hz
10 10

8 8 三
6 6 个
4 4 正
2 2
弦
0 0
0 5 10 0 5 10
Hz Hz

补 7 N 个零 补 29 N 个零 146
作业 2 ：

设长度为 4 的矩形窗为
x(n)=R4(n) ，求 x(n) 的 DTFT ，
以及 4 点、 8 点、 16 点
DFT （ 16 点的写出表达式即可），
并画出幅频响应示意图
147
 三、 DFT 对 FT 的近 准 X (k )
似 确
抽 的
原： xa (t ) 频谱： X a ( j) 样 是
？ 否
x
抽样： a ( n ) X a (频 j
e ) X a ( j)
是
谱：
截短延拓： x( n) X
频(k )
谱：
 只要满足抽样定理；
 做 DFT 时数据长度保证所需的频率分辨率，
X
则(k ) X a ( j) 是
的极好近似 148
为什么 X (k ) 不是
X a ( j) 的
准确抽样
关键取决于信号时宽－带宽的不定原理：

2 2 2
 t  E t | x(t ) | dt
1
信号的时宽


2 2 2
 

1
2 E  | X (  | d  信号的带宽

t  信号时宽－带宽积
t    1
2 Uncertainty Principle
或： t  f  1
4
149
• 若信号是有限时宽的，那么在频域必然是无
限带宽的，反之亦然。
• 从加窗角度来理解：矩形窗频谱是无限宽的
• 这一现象，来自傅立叶变换的性质：
x(t ) FT X ( j)
1
x(at ) FT X ( j  a)
a

做 DFT 时，总不可避免的取有限长，“有
限 X (k ) X a ( j)
长”带来了 对 150
DFT

的
图
形 ○
ωs=2π
解
释

151
要求：
1. 由图 3.7.3 ，搞清（ 3.7.8) ~ (3.7.14) 式的含义；
1 
j
X a (e )  Ts 
Ts
X
l 
a ( j  jl  s )

j j j
X (e )  X a ( e )  D ( e )

j
X N ( k )  X (e ) 2 k  0,1, , N  1
 k
N

X (k )  X N (k  lN ) k  0,1, , N  1
l 
 xa (n)  xa (t ) t  nTs n  , , 

xN (n)  xa (n)d (n), n  0,1, , N  1


x (n)  x
l 
N (n  lN ), n  0,1, , N  1

2. 总结在导出 DFT 的过程中，有几个 “周

期延拓”？ 3 ！
3. 理解例 3.7.4 和例 3.7.5;
X (k )
4. 思考：什么情况下， X a是
( j)
的准
3.3.3 关于正弦信号的抽样
f s  2 f0
x(t )  sin(2 f 0t ), fs  2 f0
x(n)  sin(2 f 0 n f s )  sin(n )
x(0)  0, x(1)  0, 
x(t )  cos(2 f 0t ), f s  2 f0
x(0)  1, x(1)  1, 
 x(t )
窄带信号抽样定理：若信号
的频谱
fl ~ f h
仅在 f的范围内有值，我们称
s  2( f h  f l )
该信号为
x(t ) x ( n)
窄带信号。若保证
，则可由
恢复 。
又：
x1 (t )  cos(2 f1t ), f1  20 Hz
x2 (t )  cos(2 f 2t ), f 2  100 Hz f s  80 Hz
x1 (n)  cos(2  20n / 80)  cos( n / 2)
x2 (n)  cos(2 100n / 80)  cos(n / 2)

问题的关键是由于正弦信号是
一类特殊的信号，特殊在它是单频率信号，
带宽为零，所以要单独考虑。
几点建议：
1. 抽样频率应为正弦频率的整数倍；
2. 抽样点数应包含整周期，数据长度
最好是 2 的整次幂；
3. 每个周期最好是四个点或更多；
4. 数据后不要补零。
按以上要求，对离散正弦信号做 DFT
得到的频谱正好是线谱，完全等同于
连续正弦信号的线谱。
 过程分析：
1. 正弦信号截短为长度 T ，频谱为两个中
心在土 Ω0 处的 sinc 函数的叠加，过零点土 Ω0
+2kπ/T ，若 T=mT0 ，则过零点为土 Ω0 +kΩ0 /m ，
则 2 个 sinc 函数的过零点相重合，且原点处频谱
=0 ；
2. DFT 频域抽样，一个频域周期 N 个抽样
点，谱线间隔 2π/N ，那么抽样点除了落在土 ω0
处，其余均落在过零点处
⸫ 对离散正弦信号做 土DFTω0 +2kπ/N
得到的频谱！无频谱
泄露！！
正好是线谱，完全等同于连续正弦信号的
线谱 158
 3.8 二维傅立叶变换

多用于图像处理：

 x(0, 0) x(0,1)  x(0, N 2  1) 

 x(1, 0) x (1,1)  x (1, N  1) 
x(n1 , n2 )   2 
     
 
 x( N1  1, 0) x( N1  1,1)  x( N1  1, N 2  1) 

159
 N1 1 N 2 1

  x(n , n ) z z
 n1  n2
X ( z1 , z2 )  1 2 1 2
n1  0 n2  0
N1 1 N 2 1
X (e j1
,e j 2
)   x(n , n )e
n1  0 n2  0
1 2
 j1n1  j 2 n2
e

N1 1 N 2 1

  x(n , n )W
n1k1 n2 k2
X (k1 , k2 )  1 2 N1 WN 2
n1  0 n2  0

先对行作 DFT ，作N1 次，对其中间结

果，
N2
再对列作变换，作 次。或反之 160
例： 2 － D Hamming 窗及其频谱

时域窗 频谱
161
 教材
图像工程（第 3 或 4 版）

上册：图像处理
章毓晋，清华大学

中册：图像分析
下册：图像理解
162
与本章有关的 MATLAB 文件
fftfilt.m 用叠接相加法实现卷积。格式是
y=fftfilt(h,x) 或 y=fftfilt(h, x ， N)
记 x ( n) N x h( n) ，
的长度为 M 的长
度为 。 若采用第一个调用方式，程序自
x动地确定对
( n) L N
N 分段的长度
(L  M ) 及做 FFT 的长度
， 显然，
Nx / L
是最接近 的 2 的整次
幂。分的段数 163