傅里叶变换是用来做什么的，具体举例一下应用？
计算机上的声音和图像信号、工程上的任何波动信息、数学上的解微分方程、天文学上对遥远星体的观测，到处都要用到傅里叶变换。你用手机播放MP3音乐、看图片、语音识别，这些都是傅里叶变换的日常应用。本质上讲，傅里叶变换，是把一个复杂事物，拆解成一堆标准化的简单事物的方法。拿声音举例，我们知道声音是物体振动发出的，它是一种波，通过空气或其他介质进行传播。如果用声波记录仪记录并显示这些波的振动形式，会发现生活中的绝大部分的声音是都是非常复杂甚至杂乱无章的。扩展资料根据原信号的不同类型，我们可以把傅里叶变换分为四种类别：1、非周期性连续信号傅里叶变换（Fourier Transform）2、周期性连续信号傅里叶级数(Fourier Series)3、非周期性离散信号离散时域傅里叶变换（Discrete Time Fourier Transform）4、周期性离散信号离散傅里叶变换(Discrete Fourier Transform)参考资料来源：百度百科-傅里叶变换
傅里叶变换有什么用？
傅里叶变换是数字信号处理领域一种很重要的算法。要知道傅里叶变换算法的意义，首先要了解傅里叶原理的意义。傅里叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅里叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。和傅里叶变换算法对应的是反傅里叶变换算法。该反变换从本质上说也是一种累加处理，这样就可以将单独改变的正弦波信号转换成一个信号。因此，可以说，傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。在数学领域，尽管最初傅里叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。"任意"的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类：1、傅里叶变换是线性算子,若赋予适当的范数,它还是酉算子；2、傅里叶变换的逆变换容易求出,而且形式与正变换非常类似；3、正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段；4、离散形式的傅里叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取；5、著名的卷积定理指出:傅里叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅里叶变换算法(FFT))。正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。扩展资料傅里叶生于法国中部欧塞尔（Auxerre）一个裁缝家庭，9岁时沦为孤儿，被当地一主教收养。1780年起就读于地方军校，1795年任巴黎综合工科大学助教，1798年随拿破仑军队远征埃及，受到拿破仑器重，回国后于1801年被任命为伊泽尔省格伦诺布尔地方长官。傅里叶早在1807年就写成关于热传导的基本论文《热的传播》，向巴黎科学院呈交，但经拉格朗日、拉普拉斯和勒让德审阅后被科学院拒绝，1811年又提交了经修改的论文，该文获科学院大奖，却未正式发表。傅里叶在论文中推导出著名的热传导方程 ，并在求解该方程时发现解函数可以由三角函数构成的级数形式表示，从而提出任一函数都可以展成三角函数的无穷级数。傅里叶级数（即三角级数）、傅里叶分析等理论均由此创始。傅里叶由于对传热理论的贡献于1817年当选为巴黎科学院院士。1822年，傅里叶终于出版了专著《热的解析理论》（Theorieanalytique de la Chaleur ，Didot ，Paris，1822）。这部经典著作将欧拉、伯努利等人在一些特殊情形下应用的三角级数方法发展成内容丰富的一般理论，三角级数后来就以傅里叶的名字命名。傅里叶应用三角级数求解热传导方程，为了处理无穷区域的热传导问题又导出了当前所称的“傅里叶积分”，这一切都极大地推动了偏微分方程边值问题的研究。然而傅里叶的工作意义远不止此，它迫使人们对函数概念作修正、推广，特别是引起了对不连续函数的探讨；三角级数收敛性问题更刺激了集合论的诞生。因此，《热的解析理论》影响了整个19世纪分析严格化的进程。傅里叶1822年成为科学院终身秘书。由于傅里叶极度痴迷热学，他认为热能包治百病，于是在一个夏天，他关上了家中的门窗，穿上厚厚的衣服，坐在火炉边，结果因CO中毒不幸身亡，1830年5月16日卒于法国巴黎。参考资料来源：百度百科-傅立叶变换参考资料来源：百度百科-傅立叶
傅立叶变换的物理意义是什么？如何用光学的方法实现傅立叶变换?
中文译名
Transformée de Fourier有多种中文译名，常见的有“傅里叶变换”、“傅立叶变换”、“付立叶变换”、“富里叶变换”、“富里哀变换”等等。为方便起见，本文统一写作“傅里叶变换”。
应用
傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用（例如在信号处理中，傅里叶变换的典型用途是将信号分解成幅值分量和频率分量）。
概要介绍
* 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。最初傅里叶分析是作为热过程的解析分析的工具被提出的（参见：林家翘、西格尔著《自然科学中确定性问题的应用数学》，科学出版社，北京。原版书名为 C. C. Lin & L. A. Segel, Mathematics Applied to Deterministic Problems in the Natural Sciences, Macmillan Inc., New York, 1974）。
* 傅里叶变换属于谐波分析。
* 傅里叶变换的逆变换容易求出,而且形式与正变换非常类似;
* 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;
* 卷积定理指出:傅里叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;
* 离散形式的傅里叶变换可以利用数字计算机快速的算出(其算法称为快速傅里叶变换算法(FFT)).
基本性质
线性性质
两函数之和的傅里叶变换等于各自变换之和。数学描述是：若函数f \left( x\right )和g \left(x \right)的傅里叶变换\mathcal[f]和\mathcal[g]都存在，α 和 β 为任意常系数，则\mathcal[\alpha f+\beta g]=\alpha\mathcal[f]+\beta\mathcal[g]；傅里叶变换算符\mathcal可经归一化成为么正算符；
频移性质
若函数f \left( x\right )存在傅里叶变换，则对任意实数 ω0，函数f(x) e^{i \omega_ x}也存在傅里叶变换，且有\mathcal[f(x)e^{i \omega_ x}]=F(\omega + \omega _0 ) 。式中花体\mathcal是傅里叶变换的作用算子，平体F表示变换的结果（复函数），e 为自然对数的底，i 为虚数单位\sqrt；
微分关系
若函数f \left( x\right )当|x|\rightarrow\infty时的极限为0，而其导函数f'(x)的傅里叶变换存在，则有\mathcal[f'(x)]=-i \omega \mathcal[f(x)] ，即导函数的傅里叶变换等于原函数的傅里叶变换乘以因子 − iω 。更一般地，若f(\pm\infty)=f'(\pm\infty)=\ldots=f^{(k-1)}(\pm\infty)=0，且\mathcal[f^{(k)}(x)]存在，则\mathcal[f^{(k)}(x)]=(-i \omega)^ \mathcal[f] ，即 k 阶导数的傅里叶变换等于原函数的傅里叶变换乘以因子( − iω)k。
卷积特性
若函数f \left( x\right )及g \left( x\right )都在(-\infty,+\infty)上绝对可积，则卷积函数f*g=\int_{-\infty}^{+\infty} f(x-\xi)g(\xi)d\xi的傅里叶变换存在，且\mathcal[f*g]=\mathcal[f]\cdot\mathcal[g] 。卷积性质的逆形式为\mathcal^[F(\omega)G(\omega)]=\mathcal^[F(\omega)]*\mathcal^[G(\omega)] ，即两个函数乘积的傅里叶逆变换等于它们各自的傅里叶逆变换的卷积。
Parseval定理
若函数f \left( x\right )可积且平方可积，则\int_{-\infty}^{+\infty} f^2 (x)dx = \frac{2\pi}\int_{-\infty}^{+\infty} |F(\omega)|^d\omega 。其中 F(ω) 是 f(x) 的傅里叶变换。
傅里叶变换的不同变种
连续傅里叶变换
主条目：连续傅立叶变换
一般情况下,若“傅立叶变换”一词的前面未加任何限定语，则指的是“连续傅里叶变换”。“连续傅里叶变换”将平方可积的函数f(t) 表示成复指数函数的积分或级数形式。
f(t) = \mathcal^[F(\omega)] = \frac{\sqrt{2\pi}} \int\limits_{-\infty}^\infty F(\omega) e^{i\omega t}\,d\omega.
上式其实表示的是连续傅里叶变换的逆变换，即将时间域的函数f(t)表示为频率域的函数F(ω)的积分。反过来,其正变换恰好是将频率域的函数F(ω)表示为时间域的函数f(t)的积分形式。一般可称函数f(t)为原函数,而称函数F(ω)为傅里叶变换的像函数,原函数和像函数构成一个傅立叶变换对(transform pair)。
一种对连续傅里叶变换的推广称为分数傅里叶变换（Fractional Fourier Transform）。
当f(t)为奇函数(或偶函数)时,其余弦(或正弦)分量将消亡,而可以称这时的变换为余弦转换(cosine transform) 或 正弦转换(sine transform).
另一个值得注意的性质是,当f(t) 为纯实函数时,F(−ω) = F(ω)*成立.
傅里叶级数
主条目：傅里叶级数
连续形式的傅里叶变换其实是傅里叶级数的推广，因为积分其实是一种极限形式的求和算子而已。对于周期函数，其傅里叶级数是存在的：
f(x) = \sum_{n=-\infty}^{\infty} F_n \,e^ ,
其中Fn 为复振幅。对于实值函数，函数的傅里叶级数可以写成：
f(x) = \fraca_0 + \sum_{n=1}^\infty\left[a_n\cos(nx)+b_n\sin(nx)\right],
其中an和bn是实频率分量的振幅。
离散时间傅里叶变换
主条目：离散时间傅里叶变换
离散傅里叶变换是离散时间傅里叶变换（DTFT）的特例（有时作为后者的近似）。DTFT在时域上离散，在频域上则是周期的。DTFT可以被看作是傅里叶级数的逆。
离散傅里叶变换
主条目：离散傅里叶变换
为了在科学计算和数字信号处理等领域使用计算机进行傅里叶变换，必须将函数xn 定义在离散点而非连续域内，且须满足有限性或周期性条件。这种情况下, 使用离散傅里叶变换，将函数 xn 表示为下面的求和形式：
x_n = \frac1 \sum_{k=0}^ X_k e^{i\frac{2\pi} kn} \qquad n = 0,\dots,N-1
其中Xk是傅里叶振幅。直接使用这个公式计算的计算复杂度为\mathcal(n^2)，而快速傅里叶变换（FFT）可以将复杂度改进为\mathcal(n \log n)。计算复杂度的降低以及数字电路计算能力的发展使得DFT成为在信号处理领域十分实用且重要的方法。
在阿贝尔群上的统一描述
以上各种傅里叶变换可以被更统一的表述成任意局部紧致的阿贝尔群上的傅里叶变换。这一问题属于调和分析的范畴。在调和分析中, 一个变换从一个群变换到它的对偶群(dual group)。此外，将傅里叶变换与卷积相联系的卷积定理在调和分析中也有类似的结论。傅里叶变换的广义理论基础参见庞特里雅金对偶性（英文版）中的介绍。
时频分析变换
主条目：时频分析变换
小波变换，chirplet转换和分数傅里叶转换试图得到时间信号的频率信息。同时解析频率和时间的能力在数学上受不确定性原理的限制。
傅里叶变换家族
下表列出了傅里叶变换家族的成员. 容易发现,函数在时(频)域的离散对应于其像函数在频(时)域的周期性.反之连续则意味着在对应域的信号的非周期性.
变换 时间 频率
连续傅里叶变换 连续, 非周期性 连续, 非周期性
傅里叶级数 连续, 周期性 离散, 非周期性
离散时间傅里叶变换 离散, 非周期性 连续, 周期性
离散傅里叶变换 离散, 周期性 离散, 周期性
傅里叶变换的基本思想首先由法国学者傅里叶系统提出，所以以其名字来命名以示纪念。
从现代数学的眼光来看，傅里叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。
傅立叶变换属于调和分析的内容。"分析"二字，可以解释为深入的研究。从字面上来看，"分析"二字，实际就是"条分缕析"而已。它通过对函数的"条分缕析"来达到对复杂函数的深入理解和研究。从哲学上看，"分析主义"和"还原主义"，就是要通过对事物内部适当的分析达到增进对其本质理解的目的。比如近代原子论试图把世界上所有物质的本源分析为原子，而原子不过数百种而已，相对物质世界的无限丰富，这种分析和分类无疑为认识事物的各种性质提供了很好的手段。
在数学领域，也是这样，尽管最初傅立叶分析是作为热过程的解析分析的工具，但是其思想方法仍然具有典型的还原论和分析主义的特征。"任意"的函数通过一定的分解，都能够表示为正弦函数的线性组合的形式，而正弦函数在物理上是被充分研究而相对简单的函数类，这一想法跟化学上的原子论想法何其相似！奇妙的是,现代数学发现傅立叶变换具有非常好的性质,使得它如此的好用和有用,让人不得不感叹造物的神奇:
1. 傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子;
2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似;
3. 正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;
4. 著名的卷积定理指出:傅立叶变换可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;
5. 离散形式的傅立叶变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT)).
正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用。
傅里叶变换有什么意义，傅立叶变换的物理意义是什么
傅立叶变换是数字信号处理领域一种很重要的算法.要知道傅立叶变换算法的意义,首先要了解傅立叶原理的意义.傅立叶原理表明：任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加.而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位.
和傅立叶变换算法对应的是反傅立叶变换算法.该反变换从本质上说也是一种累加处理,这样就可以将单独改变的正弦波信号转换成一个信号.
因此,可以说,傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱）,可以利用一些工具对这些频域信号进行处理、加工.最后还可以利用傅立叶反变换将这些频域信号转换成时域信号.
从现代数学的眼光来看,傅里叶变换是一种特殊的积分变换.它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分.在不同的研究领域,傅里叶变换具有多种不同的变体形式,如连续傅里叶变换和离散傅里叶变换.
在数学领域,尽管最初傅立叶分析是作为热过程的解析分析的工具,但是其思想方法仍然具有典型的还原论和分析主义的特征.任意的函数通过一定的分解,都能够表示为正弦函数的线性组合的形式,而正弦函数在物理上是被充分研究而相对简单的函数类：1.
傅立叶变换是线性算子,若赋予适当的范数,它还是酉算子;2. 傅立叶变换的逆变换容易求出,而且形式与正变换非常类似;3.
正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段;5.
离散形式的傅立叶的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号的响应来获取;4.
著名的卷积定理指出:傅立叶变换可以化复变换可以利用数字计算机快速的算出(其算法称为快速傅立叶变换算法(FFT)).
正是由于上述的良好性质,傅里叶变换在物理学、数论、组合数学、信号处理、概率、统计、密码学、声学、光学等领域都有着广泛的应用.
2、图像傅立叶变换的物理意义
图像的频率是表征图像中灰度变化剧烈程度的指标,是灰度在平面空间上的梯度.如：大面积的沙漠在图像中是一片灰度变化缓慢的区域,对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域,对应的频率值较高.傅立叶变换在实际中有非常明显的物理意义,设f是一个能量有限的模拟信号,则其傅立叶变换就表示f的谱.从纯粹的数学意义上看,傅立叶变换是将一个函数转换为一系列周期函数来处理的.从物理效果看,傅立叶变换是将图像从空间域转换到频率域,其逆变换是将图像从频率域转换到空间域.换句话说,傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数,傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数
傅立叶变换以前,图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合,我们习惯用一个二维矩阵表示空间上各点,则图像可由z=f(x,y)来表示.由于空间是三维的,图像是二维的,因此空间中物体在另一个维度上的关系就由梯度来表示,这样我们可以通过观察图像得知物体在三维空间中的对应关系.为什么要提梯度?因为实际上对图像进行二维傅立叶变换得到频谱图,就是图像梯度的分布图,当然频谱图上的各点与图像上各点并不存在一一对应的关系,即使在不移频的情况下也是没有.傅立叶频谱图上我们看到的明暗不一的亮点,实际上图像上某一点与邻域点差异的强弱,即梯度的大小,也即该点的频率的大小（可以这么理解,图像中的低频部分指低梯度的点,高频部分相反）.一般来讲,梯度大则该点的亮度强,否则该点亮度弱.这样通过观察傅立叶变换后的频谱图,也叫功率图,我们首先就可以看出,图像的能量分布,如果频谱图中暗的点数更多,那么实际图像是比较柔和的（因为各点与邻域差异都不大,梯度相对较小）,反之,如果频谱图中亮的点数多,那么实际图像一定是尖锐的,边界分明且边界两边像素差异较大的.对频谱移频到原点以后,可以看出图像的频率分布是以原点为圆心,对称分布的.将频谱移频到圆心除了可以清晰地看出图像频率分布以外,还有一个好处,它可以分离出有周期性规律的干扰信号,比如正弦干扰,一副带有正弦干扰,移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心,对称分布的亮点集合,这个集合就是干扰噪音产生的,这时可以很直观的通过在该位置放置带阻滤波器消除干扰
另外我还想说明以下几点：
1、图像经过二维傅立叶变换后,其变换系数矩阵表明：
若变换矩阵Fn原点设在中心,其频谱能量集中分布在变换系数短阵的中心附近(图中阴影区).若所用的二维傅立叶变换矩阵Fn的原点设在左上角,那么图像信号能量将集中在系数矩阵的四个角上.这是由二维傅立叶变换本身性质决定的.同时也表明一股图像能量集中低频区域.
2 、变换之后的图像在原点平移之前四角是低频,最亮,平移之后中间部分是低频,最亮,亮度大说明低频的能量大（幅角比较大）
傅里叶变换意义另
傅里叶变换是一种解决问题的方法,一种工具,一种看待问题的角度.
理解的关键是：一个连续的信号可以看作是一个个小信号的叠加,从时域叠加与从频域叠加都可以组成原来的信号,将信号这么分解后有助于处理.
我们原来对一个信号其实是从时间的角度去理解的,不知不觉中,其实是按照时间把信号进行分割,每一部分只是一个时间点对应一个信号值,一个信号是一组这样的分量的叠加.傅里叶变换后,其实还是个叠加问题,只不过是从频率的角度去叠加,只不过每个小信号是一个时间域上覆盖整个区间的信号,但他确有固定的周期,或者说,给了一个周期,我们就能画出一个整个区间上的分信号,那么给定一组周期值（或频率值）,我们就可以画出其对应的曲线,就像给出时域上每一点的信号值一样,不过如果信号是周期的话
,频域的更简单,只需要几个甚至一个就可以了,时域则需要整个时间轴上每一点都映射出一个函数值.
傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反.这都是一个信号的不同表示形式.它的公式会用就可以,当然把证明看懂了更好.
傅立叶变换就是把一个信号,分解成无数的正弦波（或者余弦波）信号.也就是说,用无数的正弦波,可以合成任何你所需要的信号.
答案是要两个条件,一个是每个正弦波的幅度,另一个就是每个正弦波之间的相位差.
所以现在应该明白了吧,频域上的相位,就是每个正弦波之间的相位.
傅立叶变换用于信号的频率域分析,一般我们把电信号描述成时间域的数学模型,而数字信号处理对信号的频率特性更感兴趣,而通过傅立叶变换很容易得到信号的频率域特性.
傅里叶变换简单通俗理解就是把看似杂乱无章的信号考虑成由一定振幅、相位、频率的基本正弦（余弦）信号组合而成,傅里叶变换的目的就是找出这些基本正弦（余弦）信号中振幅较大（能量较高）信号对应的频率,从而找出杂乱无章的信号中的主要振动频率特点.
如减速机故障时,通过傅里叶变换做频谱分析,根据各级齿轮转速、齿数与杂音频谱中振幅大的对比,可以快速判断哪级齿轮损伤.
