傅里叶变换实战：用Python对比连续(FT)和离散(DFT)的5个关键差异点

傅里叶变换实战：用Python对比连续(FT)和离散(DFT)的5个关键差异点

很多刚开始接触信号处理的同学，都会对傅里叶变换（FT）和离散傅里叶变换（DFT）感到困惑。教科书上往往从严谨的数学定义出发，推导出一堆公式，但看完之后，对于“为什么有了FT还要DFT？”、“DFT算出来的频谱和FT的频谱到底是不是一回事？”这类问题，依然云里雾里。我自己在初学阶段也踩过不少坑，比如曾经试图用DFT的结果去直接解释一个连续信号的物理频率，结果闹了笑话。

这篇文章，我想换一种方式，不堆砌公式，而是通过两个具体的实验场景——音频信号处理和图像滤波——用Python代码带大家直观地感受FT和DFT的核心差异。我们会用numpy和librosa等工具，在Jupyter Notebook里一步步操作，从现象观察入手，通过代码验证，最后归纳出五个你必须理解的差异点。这种“现象-代码-结论”的路径，或许能帮你绕过那些抽象的数学障碍，建立起更牢固的直觉。

1. 实验准备：搭建你的信号处理工作台

在开始对比之前，我们需要一个统一的环境来生成信号、进行计算和可视化。这里我推荐使用Anaconda来管理Python环境，它能很好地处理科学计算库的依赖关系。

首先，创建一个新的conda环境并安装必要的包。我习惯为不同的项目创建独立的环境，避免版本冲突。

conda create -n signal_processing python=3.9
conda activate signal_processing
pip install numpy scipy matplotlib jupyter librosa opencv-python

接下来，在Jupyter Notebook中，我们导入核心库，并设置一些全局的绘图样式，让我们的图表更美观、更专业。

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
import librosa
import librosa.display
import cv2

# 设置中文字体和绘图样式
plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-darkgrid')

# 定义一些常用的颜色，方便后续绘图区分
COLOR_FT = '#FF6B6B'  # 红色代表连续FT相关
COLOR_DFT = '#4ECDC4'  # 青色代表离散DFT相关

为了后续的对比实验，我们还需要编写几个工具函数。一个是生成标准测试信号，比如正弦波、方波、chirp信号（频率随时间变化的信号）；另一个是计算并绘制频谱的辅助函数。这里先展示一个生成复合正弦信号的例子，它由两个不同频率的正弦波叠加而成。

def generate_test_signal(duration=1.0, sample_rate=1000, freqs=[50, 120]):
    """
    生成一个由多个正弦波叠加的测试信号。
    参数:
        duration: 信号时长（秒）
        sample_rate: 采样率（Hz）
        freqs: 正弦波频率列表（Hz）
    返回:
        t: 时间轴数组
        x: 信号值数组
    """
    t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False)
    x = np.zeros_like(t)
    for f in freqs:
        x += np.sin(2 * np.pi * f * t)
    return t, x

提示：采样率sample_rate的选择至关重要，它必须大于信号中最高频率成分的两倍（奈奎斯特频率），否则会发生混叠，导致频率分析完全错误。这是我们后面要讨论的第一个关键差异的伏笔。

有了这些准备，我们就可以开始第一个实验了。我们将从最根本的“频域分辨率”差异说起，这是理解FT和DFT分野的起点。

2. 差异一：连续谱与离散谱——分辨率的天壤之别

这是FT和DFT最本质、也最直观的区别。连续时间傅里叶变换（CTFT）处理的是理论上无限长、连续的模拟信号，其频谱是连续的。这意味着在频率轴上，你可以找到任意一个频率点对应的频谱值。而离散傅里叶变换（DFT）处理的是有限长、离散的数字信号，其频谱是离散的，你只能得到在特定频率点（称为频率“bin”）上的频谱值。

为了直观感受，我们构造一个简单的连续时间信号：一个持续1秒的50Hz正弦波。在理论上，它的FT应该是在±50Hz处有两个冲激（Dirac Delta函数）。但计算机无法处理真正的连续信号和连续频谱，我们只能通过高密度采样来近似。

# 模拟“连续”信号的高精度采样
t_continuous = np.linspace(0, 1, 10000, endpoint=False)  # 用10000个点模拟连续
x_continuous = np.sin(2 * np.pi * 50 * t_continuous)

# 计算其“近似”的连续频谱（通过高密度DFT）
freqs_high_res = np.fft.fftfreq(len(x_continuous), d=1/10000)
fft_high_res = np.fft.fft(x_continuous)
magnitude_high_res = np.abs(fft_high_res) / len(x_continuous)  # 归一化幅度

# 现在，模拟对这个连续信号进行“离散采样”，采样率500Hz
sample_rate = 500
duration = 1
num_samples = int(sample_rate * duration)
t_discrete = np.linspace(0, duration, num_samples, endpoint=False)
# 注意：这里是从“连续”信号中抽取样本，模拟ADC过程
x_discrete = np.sin(2 * np.pi * 50 * t_discrete)

# 计算DFT
freqs_dft = np.fft.fftfreq(num_samples, d=1/sample_rate)
fft_dft = np.fft.fft(x_discrete)
magnitude_dft = np.abs(fft_dft) / num_samples

# 绘图对比
fig, axes = plt.subplots(2, 1, figsize=(12, 8))
# 上图：高分辨率近似的连续谱
axes[0].plot(freqs_high_res[:5000], magnitude_high_res[:5000], color=COLOR_FT, linewidth=1.5, label='高分辨率近似连续谱 (FT概念)')
axes[0].axvline(x=50, color='gray', linestyle='--', alpha=0.7, label='真实频率 50Hz')
axes[0].set_xlabel('频率 (Hz)')
axes[0].set_ylabel('幅度')
axes[0].set_title('连续傅里叶变换 (FT) 频谱概念：连续函数')
axes[0].legend()
axes[0].grid(True, alpha=0.3)

# 下图：DFT得到的离散谱
axes[1].stem(freqs_dft[:num_samples//2], magnitude_dft[:num_samples//2], linefmt=COLOR_DFT, markerfmt='o', basefmt=' ', label='DFT离散谱')
axes[1].axvline(x=50, color='gray', linestyle='--', alpha=0.7)
axes[1].set_xlabel('频率 (Hz)')
axes[1].set_ylabel('幅度')
axes[1].set_title('离散傅里叶变换 (DFT) 频谱：离散点')
axes[1].legend()
axes[1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

运行这段代码，你会看到上图呈现出一条在50Hz处有尖锐峰值的连续曲线（尽管它本质还是由很多点连成的），而下图则是在一系列离散的频率点上有值的“ stems ”图。DFT的频谱点之间的间隔是固定的，这个间隔Δf = 采样率 / 点数 = 1 / 信号时长。这意味着，DFT的频率分辨率完全由信号的时间长度决定。如果你的信号只记录了0.1秒，那么Δf就是10Hz，你根本无法区分50Hz和55Hz的成分。