python fft函数的完整|极客教程

python fft函数的完整

引言

傅里叶变换（Fourier Transform）是信号处理领域中一种非常重要的数学工具。在信号分析、图像处理、数据压缩等各个领域都有广泛的应用。Python中的Scipy库提供了一个非常强大的FFT函数，本文将详细介绍Scipy库中FFT函数的使用方法和相关概念。

1. FFT简介

傅里叶变换是一种将一个信号从时域（时间域）转换到频域（频率域）的数学算法。它将时间信号分解为一系列正弦和余弦函数。在频域中，我们可以看到信号中各个频率分量的幅度和相位信息。

快速傅里叶变换（Fast Fourier Transform，FFT）是一种高效的傅里叶变换算法，能够快速计算傅里叶变换，减少了计算的时间复杂度。Scipy库中的FFT函数是基于FFT算法实现的，可以快速计算信号的频谱。

2. Scipy库中的FFT函数

Scipy是一个强大的Python科学计算库，提供了许多信号处理和数值计算相关的函数和工具。其中的FFT函数可以用来计算一维和二维信号的快速傅里叶变换。

2.1 一维FFT

要使用一维FFT函数，需要首先导入Scipy库和FFT函数，示例代码如下：

import numpy as np
from scipy.fft import fft

一维FFT函数的基本语法如下：

fft(x, n=None, axis=-1, norm=None)

x: 一维输入信号，可以是数组或序列。
n: FFT的长度，默认为输入信号的长度。
axis: 指定要进行FFT的轴，默认为最后一轴。
norm: 规范化选项，可以选择None（默认）、”ortho”等。

相应地，FFT函数返回一个包含频率分量的复数数组。频率分量的数量等于输入信号的长度。可以通过np.fft.fftfreq函数获取频率分量对应的频率值。

下面是一个示例，演示如何使用FFT函数计算一维信号的频谱：

import numpy as np
from scipy.fft import fft, fftfreq
import matplotlib.pyplot as plt

# 生成一维信号
t = np.linspace(0, 1, 1000)
x = np.sin(2 * np.pi * 10 * t) + np.sin(2 * np.pi * 20 * t)

# 计算频谱
freqs = fftfreq(len(x))
fft_vals = fft(x)

# 绘制频谱图
plt.plot(freqs, np.abs(fft_vals))
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.show()

2.2 二维FFT

除了一维信号，FFT函数还可以用来计算二维信号的傅里叶变换。二维FFT函数的基本语法如下：

fft2(x, s=None, axes=(-2, -1), norm=None)

x: 二维输入信号，可以是二维数组。
s: FFT的形状，用于指定输出频谱的形状，默认为输入信号的形状。
axes: 指定要进行FFT的轴，默认为倒数两个轴。
norm: 规范化选项，可以选择None（默认）、”ortho”等。

二维FFT函数的返回值是一个包含频率分量的复数数组。可以通过np.fft.fftfreq和np.meshgrid函数获取频率分量对应的频率值。

下面是一个示例，演示如何使用FFT函数计算二维信号的频谱：

import numpy as np
from scipy.fft import fft2, fftshift, fftfreq
import matplotlib.pyplot as plt

# 生成二维信号
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 计算频谱
freqs_x = fftshift(fftfreq(len(x)))
freqs_y = fftshift(fftfreq(len(y)))
fft_vals = fftshift(fft2(Z))

# 绘制频谱图
plt.imshow(np.abs(fft_vals), extent=(freqs_x.min(), freqs_x.max(), freqs_y.min(), freqs_y.max()))
plt.colorbar()
plt.xlabel('Frequency x (Hz)')
plt.ylabel('Frequency y (Hz)')
plt.show()