二維傅立葉變換

傅立葉變換（英语：Fourier transform）是一種幫助我們分析訊號頻域成分的積分變換，詳細內容詳見傅立葉變換一文。一般教科書所教的通常是一維的傅立葉轉換，但我們也可以將傅立葉轉換推廣到多維的空間。而二維傅立葉變換即是由一維傅立葉變換推廣而來，近幾十年來常被運用在影像處理上。其他相關的數學工具，例如二維餘弦轉換、二維濾波器……等等，均是建立在二維傅立葉轉換的概念上而得到的。

二維傅立葉級數

考慮一個信號二維的信號，$s(t_{1},t_{2})$，其中$t_{1},t_{2}$為兩個獨立變數，且$s(t_{1},t_{2})$滿足下列方程式:

$s(t_{1},t_{2})=s(t_{1}+kT_{1},t_{2}+lT_{2}),$ for all $t_{1},t_{2}$, 其中k,l為整數

也就是說$s(t_{1},t_{2})$在$t_{1}-t_{2}$平面為週期函數，在$t_{1}$方向的週期為$T_{1}$，在$t_{2}$方向的週期為$T_{2}$，而信號的傅立葉級數為

$s(t_{1},t_{2})=\sum _{n=-\infty }^{\infty }\sum _{m=-\infty }^{\infty }a_{mn}e^{j(m\omega _{1}t_{1}+n\omega _{2}t_{2})},\ \omega _{1}=2\pi /T_{1},\omega 2=2\pi /T_{2}$

而$a_{mn}$可藉由積分求得

$a_{mn}={\frac {1}{T_{1}T_{2}}}\int _{0}^{T_{1}}\int _{0}^{T_{2}}s(t_{1},t_{2})e^{-jm\omega _{1}t_{1}}e^{-jn\omega _{2}t_{2}}\,dt_{1}\,dt_{2}$

二維連續傅立葉變換

對於平面上的連續週期信號，我們可以使用二維傅立葉級數來分析，但對於平面上的連續非週期信號$s(t_{1},t_{2})$，我們則需使用二維連續傅立葉變換。

二維連續傅立葉變換定義為

$S(j\omega _{1},j\omega _{2})=\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }s(t_{1},t_{2})e^{j(\omega _{1}t_{1}+\omega _{2}t_{2})}\,dt_{1}\,dt_{2}$

二維連續傅立葉逆變換定義為

$s(t_{1},t_{2})={\frac {1}{4\pi ^{2}}}\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }S(j\omega _{1},j\omega _{2})e^{j(\omega _{1}t_{1}+\omega _{2}t_{2})}\,d\omega _{1}\,d\omega _{2}$

為了方便，我們會將一些變數以向量的形式表示

${\overrightarrow {t}}=(t_{1},t_{2})^{t},{\overrightarrow {\omega }}=(\omega _{1},\omega _{2})^{t},{\overrightarrow {\omega }}^{t}{\overrightarrow {t}}=\omega _{1}t_{1}+\omega _{2}t_{2}$

則上述兩式則可表示為

$S(j{\overrightarrow {\omega }})=\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }s({\overrightarrow {t}})e^{j{\overrightarrow {\omega }}^{t}{\overrightarrow {t}}}\,d{\overrightarrow {t}},\ \$ $s({\overrightarrow {t}})={\frac {1}{4\pi ^{2}}}\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }S(j{\overrightarrow {\omega }})e^{j{\overrightarrow {\omega }}^{t}{\overrightarrow {t}}}\,d{\overrightarrow {\omega }}$

二維離散傅立葉變換

一般在作影像處理的影像大多不是連續信號，而對於平面上的不連續信號，我們則需使用二維離散傅立葉變換。

假設輸入的影像s[n,m]水平方向長度是N，垂直方向長度是M

二維離散傅立葉變換定義為

$S(j\omega _{1},j\omega _{2})=\sum _{m=-\infty }^{\infty }\sum _{n=-\infty }^{\infty }s[n,m]e^{-j(\omega _{1}n+\omega _{2}n)}$

二維離散傅立葉逆變換定義為

$s[n,m]={\frac {1}{4\pi ^{2}}}\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }S(j\omega _{1},j\omega _{2})e^{j(\omega _{1}n+\omega _{2}n)}\,d\omega _{1}\,d\omega _{2}$

同樣為了方便，我們可將上述兩式改為向量形式

$S(j{\overrightarrow {\omega }})=\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }s({\overrightarrow {n}})e^{j{\overrightarrow {\omega }}^{t}{\overrightarrow {n}}}\,d{\overrightarrow {n}},\ \$ $s({\overrightarrow {n}})={\frac {1}{4\pi ^{2}}}\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }S(j{\overrightarrow {\omega }})e^{j{\overrightarrow {\omega }}^{t}{\overrightarrow {n}}}\,d{\overrightarrow {\omega }}$

其中,${\overrightarrow {n}}=(n,m)^{t}$

基本性質

下列性質我們以二維連續傅立葉變換來說明:

分離性(Separability)

假如$s(t_{1},t_{2})$可分解為$f(t_{1})g(t_{2})$，因為自然指數部分也可分解則

$S(j\omega _{1},j\omega _{2})=\int _{-\infty }^{\infty }\int _{-\infty }^{\infty }s(t_{1},t_{2})e^{j(\omega _{1}t_{1}+\omega _{2}t_{2})}\,dt_{1}\,dt_{2}=\int _{-\infty }^{\infty }f(t_{1})e^{j\omega _{1}t_{1}}\,dt_{1}\int _{-\infty }^{\infty }g(t_{2})e^{j\omega _{2}t_{2}}\,dt_{2}=F(j\omega _{1})G(j\omega _{2})={\mathcal {F}}\{f(t_{1})\}{\mathcal {F}}\{g(t_{2})\}$

稱為分離性。

對稱性

假設$s({\overrightarrow {t}})$為實數，則$S(j{\overrightarrow {\omega }})=S^{*}(-j{\overrightarrow {\omega }})$

假設$s({\overrightarrow {t}})$為實數且偶對稱，則$S(j{\overrightarrow {\omega }})$為實數且偶對稱

假設$s({\overrightarrow {t}})$為實數且奇對稱，則$jS(j{\overrightarrow {\omega }})$為實數且奇對稱

平移特性

${\mathcal {F}}\{s({\overrightarrow {t}}-{\overrightarrow {t_{0}}})\}=e^{-j{\overrightarrow {\omega }}^{t}{\overrightarrow {t_{0}}}}S({\overrightarrow {\omega }})$

在空間域作位移，等同於在頻域作相位位移

微分

解析失败 (未知函数“\partialt”): {\displaystyle \mathcal{F}\{\frac{\partial^ns(\overrightarrow{t})}{\partialt_j^n}\} = }

空間頻率

一維傅立葉轉換常被用來分析隨時間變化的信號，並得到信號的頻域成分。然而，對一張的靜態的圖片而言，雖然沒有時間的概念在裡面，卻引入了空間頻率來取代傳統一維空間中的頻率。

對傳統隨時間變化的信號而言，以聲音為例，低頻成分的物理意義即為聲音的低音，而高頻成分的物理意義則是聲音的高音。但對空間頻率而言，空間頻率中的低頻成分指的是圖片中顏色緩慢變化的部分。相對的，空間頻率中的高頻成分則是指圖片中顏色迅速變化的部分，比方說物體的邊線。

我們可以用二維的濾波器分別將圖片的低頻與高頻成分濾掉以幫助我們了解空間頻率的概念。我們可以發現，當圖片通過低通濾波器後，被濾出來的圖片是一個模糊的影像，這就是圖片的低頻成分。而當圖片通過高通濾波器後，被濾出來的圖片僅剩下邊緣，這就是圖片的高頻成分，一般而言，圖片在頻域的能量大多集中在低頻。

應用

二維傅立葉變換的作用是將影像由空域變換到頻域，並對於影像不同頻段的成分進行分析與處理，所以二維傅立葉變換在影像處理領域有著舉足輕重的地位，其主要的應用為

• 影像分析
• 影像濾波
• 影像重建
• 影像壓縮

參考資料

Judith C. Brown, Calculation of a constant Q spectral transform, J. Acoust. Soc. Am., 89(1):425–434, 1991.