概念
傅裡葉變換是一種分析信号的方法，它可分析信号的成分，也可用這些成分合成信号。許多波形可作為信号的成分，比如正弦波、方波、鋸齒波等，傅裡葉變換用正弦波作為信号的成分。
定義
f(t）是t的周期函數，如果t滿足狄裡赫萊條件：在一個周期内具有有限個間斷點，且在這些間斷點上，函數是有限值；在一個周期内具有有限個極值點；絕對可積。則有下圖①式成立。稱為積分運算f(t）的傅裡葉變換，
②式的積分運算叫做F（ω）的傅裡葉逆變換。F（ω）叫做f(t）的像函數，f(t）叫做F（ω）的像原函數。F（ω）是f(t）的像。f(t）是F（ω）原像。
中文譯名
Fouriertransform或TransforméedeFourier有多個中文譯名，常見的有“傅裡葉變換”、“付立葉變換”、“傅立葉轉換”、“傅氏轉換”、“傅氏變換”、等等。為方便起見，本文統一寫作“傅裡葉變換”。
應用
傅裡葉變換在物理學、電子類學科、數論、組合數學、信号處理、概率論、統計學、密碼學、聲學、光學、海洋學、結構動力學等領域都有着廣泛的應用（例如在信号處理中，傅裡葉變換的典型用途是将信号分解成幅值譜——顯示與頻率對應的幅值大小）。
相關
*傅裡葉變換屬于諧波分析。
*傅裡葉變換的逆變換容易求出，而且形式與正變換非常類似;
*正弦基函數是微分運算的本征函數，從而使得線性微分方程的求解可以轉化為常系數的代數方程的求解.在線性時不變的物理系統内，頻率是個不變的性質，從而系統對于複雜激勵的響應可以通過組合其對不同頻率正弦信号的響應來獲取；
*卷積定理指出：傅裡葉變換可以化複雜的卷積運算為簡單的乘積運算，從而提供了計算卷積的一種簡單手段；
*離散形式的傅立葉變換可以利用數字計算機快速地算出（其算法稱為快速傅裡葉變換算法（FFT))
基本性質
線性性質
兩函數之和的傅裡葉變換等于各自變換之和。數學描述是：若函數f left( xright )和g left(x right)的傅裡葉變換mathcal【f】和mathcal【g】都存在，α 和 β 為任意常系數，則mathcal【alpha f+beta g】=alphamathcal【f】+betamathcal【g】；傅裡葉變換算符mathcal可經歸一化成為麼正算符；
頻移性質
若函數f left( xright )存在傅裡葉變換，則對任意實數 ω0，函數f(x) e^{i omega_ x}也存在傅裡葉變換，且有mathcal【f(x)e^{i omega_ x}】=F(omega + omega _0 ) 。式中花體mathcal是傅裡葉變換的作用算子，平體F表示變換的結果（複函數），e 為自然對數的底，i 為虛數單位sqrt；
微分關系
若函數f left( xright )當|x|rightarrowinfty時的極限為0，而其導函數f'(x)的傅裡葉變換存在，則有mathcal【f'(x)】=-i omega mathcal【f(x)】 ，即導函數的傅裡葉變換等于原函數的傅裡葉變換乘以因子 ? iω 。更一般地，若f(pminfty)=f'(pminfty)=ldots=f^{(k-1)}(pminfty)=0，且mathcal【f^{(k)}(x)】存在，則mathcal【f^{(k)}(x)】=(-i omega)^ mathcal【f】 ，即 k 階導數的傅裡葉變換等于原函數的傅裡葉變換乘以因子( ? iω)k。
卷積特性
若函數f left( xright )及g left( xright )都在(-infty,+infty)上絕對可積，則卷積函數f*g=int_{-infty}^{+infty} f(x-xi)g(xi)DXi的傅裡葉變換存在，且mathcal【f*g】=mathcal【f】cdotmathcal【g】 。卷積性質的逆形式為mathcal^【F(omega)G(omega)】=mathcal^【F(omega)】*mathcal^【G(omega)】 ，即兩個函數乘積的傅裡葉逆變換等于它們各自的傅裡葉逆變換的卷積。
Parseval定理
若函數f left( xright )可積且平方可積，則int_{-infty}^{+infty} f^2 (x)dx = frac{2pi}int_{-infty}^{+infty} |F(omega)|^domega 。其中 F(ω) 是 f(x) 的傅裡葉變換。
不同變種
連續傅裡葉變換
主條目：連續傅立葉變換
一般情況下,若“傅立葉變換”一詞的前面未加任何限定語，則指的是“連續傅裡葉變換”。“連續傅裡葉變換”将平方可積的函數f(t) 表示成複指數函數的積分或級數形式。
f(t) = mathcal^【F(omega)】 = frac{sqrt{2pi}} intlimits_{-infty}^infty F(omega) e^{iomega t},domega.
上式其實表示的是連續傅裡葉變換的逆變換，即将時間域的函數f(t)表示為頻率域的函數F(ω)的積分。反過來,其正變換恰好是将頻率域的函數F(ω)表示為時間域的函數f(t)的積分形式。一般可稱函數f(t)為原函數,而稱函數F(ω)為傅裡葉變換的像函數,原函數和像函數構成一個傅立葉變換對(transform pair)。
一種對連續傅裡葉變換的推廣稱為分數傅裡葉變換（Fractional Fourier Transform）
當f(t)為奇函數(或偶函數)時,其餘弦(或正弦)分量将消亡,而可以稱這時的變換為餘弦轉換(cosine transform) 或 正弦轉換(sine transform).
另一個值得注意的性質是,當f(t) 為純實函數時,F(?ω) = F(ω)*成立.
傅裡葉級數
主條目：傅裡葉級數
連續形式的傅裡葉變換其實是傅裡葉級數的推廣，因為積分其實是一種極限形式的求和算子而已。對于周期函數，其傅裡葉級數是存在的：
f(x) = sum_{n=-infty}^{infty} F_n ,e^ ,
其中Fn 為複振幅。對于實值函數，函數的傅裡葉級數可以寫成：
f(x) = fraca_0 + sum_{n=1}^inftyleft【a_ncos(nx)+b_nsin(nx)right】,
其中an和bn是實頻率分量的振幅。
離散時間傅裡葉變換
主條目：離散時間傅裡葉變換
離散傅裡葉變換是離散時間傅裡葉變換（DTFT）的特例（有時作為後者的近似）。DTFT在時域上離散，在頻域上則是周期的。DTFT可以被看作是傅裡葉級數的逆。
離散傅裡葉變換
主條目：離散傅裡葉變換
為了在科學計算和數字信号處理等領域使用計算機進行傅裡葉變換，必須将函數xn 定義在離散點而非連續域内，且須滿足有限性或周期性條件。這種情況下, 使用離散傅裡葉變換，将函數 xn 表示為下面的求和形式：
x_n = frac1 sum_{k=0}^ X_k e^{ifrac{2pi} kn} qquad n = 0,dots,N-1
其中Xk是傅裡葉振幅。直接使用這個公式計算的計算複雜度為mathcal(n^2)，而快速傅裡葉變換（FFT）可以将複雜度改進為mathcal(n log n)。計算複雜度的降低以及數字電路計算能力的發展使得DFT成為在信号處理領域十分實用且重要的方法。
在阿貝爾群上的統一描述
以上各種傅裡葉變換可以被更統一的表述成任意局部緊緻的阿貝爾群上的傅裡葉變換。這一問題屬于調和分析的範疇。在調和分析中, 一個變換從一個群變換到它的對偶群(dual group)。此外，将傅裡葉變換與卷積相聯系的卷積定理在調和分析中也有類似的結論。傅裡葉變換的廣義理論基礎參見龐特裡雅金對偶性（英文版）中的介紹。
時頻分析變換
主條目：時頻分析變換
小波變換，chirplet轉換和分數傅裡葉轉換試圖得到時間信号的頻率信息。同時解析頻率和時間的能力在數學上受不确定性原理的限制。
傅裡葉變換家族
下表列出了傅裡葉變換家族的成員. 容易發現,函數在時(頻)域的離散對應于其像函數在頻(時)域的周期性.反之連續則意味着在對應域的信号的非周期性.
變換 時間 頻率
連續傅裡葉變換 連續, 非周期性 連續, 非周期性
傅裡葉級數 連續, 周期性 離散, 非周期性
離散時間傅裡葉變換 離散, 非周期性 連續, 周期性
離散傅裡葉變換 離散, 周期性 離散, 周期性
傅裡葉變換的基本思想首先由法國學者傅裡葉系統提出，所以以其名字來命名以示紀念。
相關
變換提出
傅裡葉是一位法國數學家和物理學家的名字，英語原名是JeanBaptisteJosephFourier(1768-1830),Fourier對熱傳遞
很感興趣，于1807年在法國科學學會上發表了一篇論文，運用正弦曲線來描述溫度分布，論文裡有個在當時具有争議性的決斷：任何連續周期信号可以由一組适當的正弦曲線組合而成。當時審查這個論文的人，其中有兩位是曆史上著名的數學家拉格朗日(JosephLouisLagrange,1736-1813)和拉普拉斯(PierreSimondeLaplace,1749-1827)，當拉普拉斯和其它審查者投票通過并要發表這個論文時，拉格朗日堅決反對，在他此後生命的六年中，拉格朗日堅持認為傅裡葉的方法無法表示帶有棱角的信号，如在方波中出現非連續變化斜率。法國科學學會屈服于拉格朗日的威望，拒絕了傅裡葉的工作，幸運的是，傅裡葉還有其它事情可忙，他參加了政治運動，随拿破侖遠征埃及，法國大革命後因會被推上斷頭台而一直在逃避。直到拉格朗日死後15年這個論文才被發表出來。
拉格朗日是對的：正弦曲線無法組合成一個帶有棱角的信号。但是，我們可以用正弦曲線來非常逼近地表示它，逼近到兩種表示方法不存在能量差别，基于此，傅裡葉是對的。
用正弦曲線來代替原來的曲線而不用方波或三角波來表示的原因在于，分解信号的方法是無窮的，但分解信号的目的是為了更加簡單地處理原來的信号。用正餘弦來表示原信号會更加簡單，因為正餘弦擁有原信号所不具有的性質：正弦曲線保真度。一個正弦曲線信号輸入後，輸出的仍是正弦曲線，隻有幅度和相位可能發生變化，但是頻率和波的形狀仍是一樣的。且隻有正弦曲線才擁有這樣的性質，正因如此我們才不用方波或三角波來表示。
變換分類
根據原信号的不同類型，我們可以把傅裡葉變換分為四種類别：
1非周期性連續信号傅裡葉變換（FourierTransform）
2周期性連續信号傅裡葉級數(FourierSeries)
3非周期性離散信号離散時域傅裡葉變換（DiscreteTimeFourierTransform）
4周期性離散信号離散傅裡葉變換(DiscreteFourierTransform)
這四種傅裡葉變換都是針對正無窮大和負無窮大的信号，即信号的的長度是無窮大的，我們知道這對于計算機處理來說是不可能的，那麼有沒有針對長度有限的傅裡葉變換呢？沒有。因為正餘弦波被定義成從負無窮大到正無窮大，我們無法把一個長度無限的信号組合成長度有限的信号。面對這種困難，方法是把長度有限的信号表示成長度無限的信号，可以把信号無限地從左右進行延伸，延伸的部分用零來表示，這樣，這個信号就可以被看成是非周期性離解信号，我們就可以用到離散時域傅裡葉變換的方法。還有，也可以把信号用複制的方法進行延伸，這樣信号就變成了周期性離散信号，這時我們就可以用離散傅裡葉變換方法進行變換。這裡我們要學的是離散信号，對于連續信号我們不作讨論，因為計算機隻能處理離散的數值信号，我們的最終目的是運用計算機來處理信号的。
但是對于非周期性的信号，我們需要用無窮多不同頻率的正弦曲線來表示，這對于計算機來說是不可能實現的。所以對于離散信号的變換隻有離散傅裡葉變換（DFT）才能被适用，對于計算機來說隻有離散的和有限長度的數據才能被處理，對于其它的變換類型隻有在數學演算中才能用到，在計算機面前我們隻能用DFT方法，後面我們要理解的也正是DFT方法。這裡要理解的是我們使用周期性的信号目的是為了能夠用數學方法來解決問題，至于考慮周期性信号是從哪裡得到或怎樣得到是無意義的。
每種傅裡葉變換都分成實數和複數兩種方法，對于實數方法是最好理解的，但是複數方法就相對複雜許多了，需要懂得有關複數的理論知識，不過，如果理解了實數離散傅裡葉變換(realDFT)，再去理解複數傅裡葉就更容易了，所以我們先把複數的傅裡葉放到一邊去，先來理解實數傅裡葉變換，在後面我們會先講講關于複數的基本理論，然後在理解了實數傅裡葉變換的基礎上再來理解複數傅裡葉變換。
還有，這裡我們所要說的變換(transform)雖然是數學意義上的變換，但跟函數變換是不同的，函數變換是符合一一映射準則的，對于離散數字信号處理（DSP），有許多的變換：傅裡葉變換、拉普拉斯變換、Z變換、希爾伯特變換、離散餘弦變換等，這些都擴展了函數變換的定義，允許輸入和輸出有多種的值，簡單地說變換就是把一堆的數據變成另一堆的數據的方法。
變換意義
傅裡葉變換是數字信号處理領域一種很重要的算法。要知道傅裡葉變換算法的意義，首先要了解傅裡葉原理的意義。傅裡葉原理表明：任何連續測量的時序或信号，都可以表示為不同頻率的正弦波信号的無限疊加。而根據該原理創立的傅裡葉變換算法利用直接測量到的原始信号，以累加方式來計算該信号中不同正弦波信号的頻率、振幅和相位。
和傅裡葉變換算法對應的是反傅裡葉變換算法。該反變換從本質上說也是一種累加處理，這樣就可以将單獨改變的正弦波信号轉換成一個信号。因此，可以說，傅裡葉變換将原來難以處理的時域信号轉換成了易于分析的頻域信号（信号的頻譜），可以利用一些工具對這些頻域信号進行處理、加工。最後還可以利用傅裡葉反變換将這些頻域信号轉換成時域信号。
從現代數學的眼光來看，傅裡葉變換是一種特殊的積分變換。它能将滿足一定條件的某個函數表示成正弦基函數的線性組合或者積分。在不同的研究領域，傅裡葉變換具有多種不同的變體形式，如連續傅裡葉變換和離散傅裡葉變換。
在數學領域，盡管最初傅裡葉分析是作為熱過程的解析分析的工具，但是其思想方法仍然具有典型的還原論和分析主義的特征。"任意"的函數通過一定的分解，都能夠表示為正弦函數的線性組合的形式，而正弦函數在物理上是被充分研究而相對簡單的函數類：1.傅裡葉變換是線性算子,若賦予适當的範數,它還是酉算子;2.傅裡葉變換的逆變換容易求出,而且形式與正變換非常類似;3.正弦基函數是微分運算的本征函數,從而使得線性微分方程的求解可以轉化為常系數的代數方程的求解.在線性時不變雜的卷積運算為簡單的乘積運算,從而提供了計算卷積的一種簡單手段;4.離散形式的傅裡葉的物理系統内,頻率是個不變的性質,從而系統對于複雜激勵的響應可以通過組合其對不同頻率正弦信号的響應來獲取;5.著名的卷積定理指出:傅裡葉變換可以化複變換可以利用數字計算機快速的算出(其算法稱為快速傅裡葉變換算法(FFT))。
正是由于上述的良好性質,傅裡葉變換在物理學、數論、組合數學、信号處理、概率、統計、密碼學、聲學、光學等領域都有着廣泛的應用。
圖像頻率
圖像的頻率是表征圖像中灰度變化劇烈程度的指标，是灰度在平面空間上的梯度。如：大面積的沙漠在圖像中是一片灰度變化緩慢的區域，對應的頻率值很低；而對于地表屬性變換劇烈的邊緣區域在圖像中是一片灰度變化劇烈的區域，對應的頻率值較高。傅裡葉變換在實際中有非常明顯的物理意義，設f是一個能量有限的模拟信号，則其傅裡葉變換就表示f的譜。從純粹的數學意義上看，傅裡葉變換是将一個函數轉換為一系列周期函數來處理的。從物理效果看，傅裡葉變換是将圖像從空間域轉換到頻率域，其逆變換是将圖像從頻率域轉換到空間域。換句話說，傅裡葉變換的物理意義是将圖像的灰度分布函數變換為圖像的頻率分布函數，傅裡葉逆變換是将圖像的頻率分布函數變換為灰度分布函數。
傅裡葉變換以前，圖像（未壓縮的位圖）是由對在連續空間（現實空間）上的采樣得到一系列點的集合，我們習慣用一個二維矩陣表示空間上各點，則圖像可由z=f(x,y)來表示。由于空間是三維的，圖像是二維的，因此空間中物體在另一個維度上的關系就由梯度來表示，這樣我們可以通過觀察圖像得知物體在三維空間中的對應關系。為什麼要提梯度？因為實際上對圖像進行二維傅裡葉變換得到頻譜圖，就是圖像梯度的分布圖，當然頻譜圖上的各點與圖像上各點并不存在一一對應的關系，即使在不移頻的情況下也是沒有。傅裡葉頻譜圖上我們看到的明暗不一的亮點，實際上圖像上某一點與鄰域點差異的強弱，即梯度的大小，也即該點的頻率的大小（可以這麼理解，圖像中的低頻部分指低梯度的點，高頻部分相反）。一般來講，梯度大則該點的亮度強，否則該點亮度弱。這樣通過觀察傅裡葉變換後的頻譜圖，也叫功率圖，我們首先就可以看出，圖像的能量分布，如果頻譜圖中暗的點數更多，那麼實際圖像是比較柔和的（因為各點與鄰域差異都不大，梯度相對較小），反之，如果頻譜圖中亮的點數多，那麼實際圖像一定是尖銳的，邊界分明且邊界兩邊像素差異較大的。對頻譜移頻到原點以後，可以看出圖像的頻率分布是以原點為圓心，對稱分布的。将頻譜移頻到圓心除了可以清晰地看出圖像頻率分布以外，還有一個好處，它可以分離出有周期性規律的幹擾信号，比如正弦幹擾，一副帶有正弦幹擾，移頻到原點的頻譜圖上可以看出除了中心以外還存在以某一點為中心，對稱分布的亮點集合，這個集合就是幹擾噪音産生的，這時可以很直觀的通過在該位置放置帶阻濾波器消除幹擾。
另外說明以下幾點：
1、圖像經過二維傅裡葉變換後，其變換系數矩陣表明：
若變換矩陣Fn原點設在中心，其頻譜能量集中分布在變換系數短陣的中心附近（圖中陰影區）。若所用的二維傅裡葉變換矩陣Fn的原點設在左上角，那麼圖像信号能量将集中在系數矩陣的四個角上。這是由二維傅裡葉變換本身性質決定的。同時也表明一股圖像能量集中低頻區域。
2、變換之後的圖像在原點平移之前四角是低頻，最亮，平移之後中間部分是低頻，最亮，亮度大說明低頻的能量大（幅角比較大）。
例子
一個關于實數離散傅裡葉變換(RealDFT)實例
先來看一個變換實例，一個原始信号的長度是16，于是可以把這個信号分解9個餘弦波和9個正弦波（一個長度為N的信号
可以分解成N/2+1個正餘弦信号，這是為什麼呢？結合下面的18個正餘弦圖,我想從計算機處理精度上就不難理解，一個長度為N的信号，最多隻能有N/2+1個不同頻率，再多的頻率就超過了計算機所能所處理的精度範圍）
用FFT快算
FFT是離散傅裡葉變換的快速算法，可以将一個信号變換到頻域。有些信号在時域上是很難看出什麼特征的，但是如果變換到頻域之後，就很容易看出特征了。這就是很多信号分析采用FFT變換的原因。另外，FFT可以将一個信号的頻譜提取出來，這在頻譜分析方面也是經常用的。
FFT結果的具體物理意義。一個模拟信号，經過ADC采樣之後，就變成了數字信号。采樣定理告訴我們，采樣頻率要大于信号頻率的兩倍。
采樣得到的數字信号，就可以做FFT變換了。N個采樣點，經過FFT之後，就可以得到N個點的FFT結果。為了方便進行FFT運算，通常N取2的整數次方。
假設采樣頻率為Fs，信号頻率F，采樣點數為N。那麼FFT之後結果就是一個為N點的複數。每一個點就對應着一個頻率點。這個點的模值，就是該頻率值下的幅度特性。具體跟原始信号的幅度有什麼關系呢？假設原始信号的峰值為A，那麼FFT的結果的每個點（除了第一個點直流分量之外）的模值就是A的N/2倍。而第一個點就是直流分量，它的模值就是直流分量的N倍。而每個點的相位呢，就是在該頻率下的信号的相位。第一個點表示直流分量（即0Hz），而最後一個點N的再下一個點（實際上這個點是不存在的，這裡是假設的第N+1個點，也可以看做是将第一個點分做兩半分，另一半移到最後）則表示采樣頻率Fs，這中間被N-1個點平均分成N等份，每個點的頻率依次增加。例如某點n所表示的頻率為：Fn=(n-1)*Fs/N。由上面的公式可以看出，Fn所能分辨到頻率為為Fs/N，如果采樣頻率Fs為1024Hz，采樣點數為1024點，則可以分辨到1Hz。1024Hz的采樣率采樣1024點，剛好是1秒，也就是說，采樣1秒時間的信号并做FFT，則結果可以分析到1Hz，如果采樣2秒時間的信号并做FFT，則結果可以分析到0.5Hz。如果要提高頻率分辨力，則必須增加采樣點數，也即采樣時間。頻率分辨率和采樣時間是倒數關系。
假設FFT之後某點n用複數a+bi表示，那麼這個複數的模就是An=根号a*a+b*b，相位就是Pn=atan2(b,a)。根據以上的結果，就可以計算出n點（n≠1，且n<=N/2）對應的信号的表達式為：An/(N/2)*cos(2*pi*Fn*t+Pn)，即2*An/N*cos(2*pi*Fn*t+Pn)。對于n=1點的信号，是直流分量，幅度即為A1/N。由于FFT結果的對稱性，通常我們隻使用前半部分的結果，即小于采樣頻率一半的結果。
下面以一個實際的信号來做說明。假設我們有一個信号，它含有2V的直流分量，頻率為50Hz、相位為-30度、幅度為3V的
交流信号，以及一個頻率為75Hz、相位為90度、幅度為1.5V的交流信号。用數學表達式就是如下：S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180)。式中cos參數為弧度，所以-30度和90度要分别換算成弧度。我們以256Hz的采樣率對這個信号進行采樣，總共采樣256點。按照我們上面的分析，Fn=(n-1)*Fs/N，我們可以知道，每兩個點之間的間距就是1Hz，第n個點的頻率就是n-1。我們的信号有3個頻率：0Hz、50Hz、75Hz，應該分别在第1個點、第51個點、第76個點上出現峰值，其它各點應該接近0。實際情況如何呢？我們來看看FFT的結果的模值如圖所示。
從圖中我們可以看到，在第1點、第51點、和第76點附近有比較大的值。我們分别将這三個點附近的數據拿上來細看：
1點：512+0i
2點：-2.6195E-14-1.4162E-13i
3點：-2.8586E-14-1.1898E-13i
50點：-6.2076E-13-2.1713E-12i
51點：332.55-192i
52點：-1.6707E-12-1.5241E-12i
75點：-2.2199E-13-1.0076E-12i
76點：3.4315E-12+192i
77點：-3.0263E-14+7.5609E-13i
很明顯，1點、51點、76點的值都比較大，它附近的點值都很小，可以認為是0，即在那些頻率點上的信号幅度為0。接着，我們來計算各點的幅度值。分别計算這三個點的模值，結果如下：
1點：512
51點：384
76點：192
按照公式，可以計算出直流分量為：512/N=512/256=2；50Hz信号的幅度為：384/(N/2)=384/(256/2)=3；75Hz信号的幅度為192/(N/2)=192/(256/2)=1.5。可見，從頻譜分析出來的幅度是正确的。
然後再來計算相位信息。直流信号沒有相位可言，不用管它。先計算50Hz信号的相位，atan2(-192,332.55)=-0.5236,結果是弧度，換算為角度就是180*(-0.5236)/pi=-30.0001。再計算75Hz信号的相位，atan2(192,3.4315E-12)=1.5708弧度，換算成角度就是180*1.5708/pi=90.0002。可見，相位也是對的。根據FFT結果以及上面的分析計算，我們就可以寫出信号的表達式了，它就是我們開始提供的信号。
總結：假設采樣頻率為Fs，采樣點數為N，做FFT之後，某一點n（n從1開始）表示的頻率為：Fn=(n-1)*Fs/N；該點的模值除以N/2就是對應該頻率下的信号的幅度（對于直流信号是除以N）；該點的相位即是對應該頻率下的信号的相位。相位的計算可用函數atan2(b,a)計算。atan2(b,a)是求坐标為(a,b)點的角度值，範圍從-pi到pi。要精确到xHz，則需要采樣長度為1/x秒的信号，并做FFT。要提高頻率分辨率，就需要增加采樣點數，這在一些實際的應用中是不現實的，需要在較短的時間内完成分析。解決這個問題的方法有頻率細分法，比較簡單的方法是采樣比較短時間的信号，然後在後面補充一定數量的0，使其長度達到需要的點數，再做FFT，這在一定程度上能夠提高頻率分辨力。具體的頻率細分法可參考相關文獻。
應用
盡管最初傅裡葉分析是作為熱過程的解析分析的工具，但是其思想方法仍然具有典型的還原論和分析主義的特征。"任意"的函數通過一定的分解，都能夠表示為正弦函數的線性組合的形式，而正弦函數在物理上是被充分研究而相對簡單的函數類，這一想法跟化學上的原子論想法何其相似！奇妙的是，現代數學發現傅裡葉變換具有非常好的性質，使得它如此的好用和有用，讓人不得不感歎造物的神奇：
傅裡葉變換是線性算子，若賦予适當的範數，它還是酉算子；
傅裡葉變換的逆變換容易求出，而且形式與正變換非常類似；
正弦基函數是微分運算的本征函數，從而使得線性微分方程的求解可以轉化為常系數的代數方程的求解.在線性時不變的物理系統内，頻率是個不變的性質，從而系統對于複雜激勵的響應可以通過組合其對不同頻率正弦信号的響應來獲取；
著名的卷積定理指出：傅裡葉變換可以化複雜的卷積運算為簡單的乘積運算，從而提供了計算卷積的一種簡單手段；
離散形式的傅裡葉變換可以利用數字計算機快速的算出（其算法稱為快速傅裡葉變換算法（FFT)).
正是由于上述的良好性質，傅裡葉變換在物理學、數論、組合數學、信号處理、概率、統計、密碼學、聲學、光學等領域都有着廣泛的應用。
有關傅裡葉變換的FPGA實現
傅裡葉變換是數字信号處理中的基本操作，廣泛應用于表述及分析離散時域信号領域。但由于其運算量與變換點數N的平方成正比關系，因此，在N較大時，直接應用DFT算法進行譜變換是不切合實際的。然而，快速傅裡葉變換技術的出現使情況發生了根本性的變化。本文主要描述了采用FPGA來實現2k/4k/8k點FFT的設計方法。
整體結構
一般情況下，N點的傅裡葉變換對為：
其中，WN=exp（－2pi/N)。X(k）和x(n）都為複數。與之相對的快速傅裡葉變換有很多種，如DIT（時域抽取法）、DIF（頻域抽取法）、Cooley－Tukey和Winograd等。對于2n傅裡葉變換，Cooley－Tukey算法可導出DIT和DIF算法。本文運用的基本思想是Cooley－Tukey算法，即将高點數的傅裡葉變換通過多重低點數傅裡葉變換來實現。雖然DIT與DIF有差别，但由于它們在本質上都是一種基于标号分解的算法，故在運算量和算法複雜性等方面完全一樣，而沒有性能上的優劣之分，所以可以根據需要任取其中一種，本文主要以DIT方法為對象來讨論。
N=8192點DFT的運算表達式為：
式中，m=(4n1+n2)(2048k1+k2)(n=4n1+n2，k=2048k1+k2）其中n1和k2可取0,1，．．．，2047,k1和n2可取0,1,2,3。
由式（3）可知，8k傅裡葉變換可由4×2k的傅立葉變換構成。同理，4k傅立葉變換可由2×2k的傅裡葉變換構成。而2k傅裡葉變換可由128×16的傅立葉變換構成。128的傅裡葉變換可進一步由16×8的傅裡葉變換構成，歸根結底，整個傅裡葉變換可由基2、基4的傅裡葉變換構成。2k的FFT可以通過5個基4和1個基2變換來實現；4k的FFT變換可通過6個基4變換來實現；8k的FFT可以通過6個基4和1個基2變換來實現。也就是說：FFT的基本結構可由基2/4模塊、複數乘法器、存儲單元和存儲器控制模塊構成，其整體結構如圖1所示。
圖1中，RAM用來存儲輸入數據、運算過程中的中間結果以及運算完成後的數據，ROM用來存儲旋轉因子表。蝶形運算單元即為基2/4模塊，控制模塊可用于産生控制時序及地址信号，以控制中間運算過程及最後輸出結果。
蝶形運算器
基4和基2的信号流如圖2所示。圖中，若A=r0+j*i0，B=r1+j*i1，C=r2+j*i2，D=r3+j*i3是要進行變換的信号，Wk0=c0+j*s0=1，Wk1=c1+j*s1，Wk2=c2+j*s2，Wk3=c3+j*s3為旋轉因子，将其分别代入圖2中的基4蝶形運算單元，則有：
A′=[r0+(r1×c1－i1×s1)+(r2×c2－i2×s2)+(r3×c3－i3×s3)]+j[i0+(i1×c1+r1×s1)+(i2×c2+r2×s2)+(i3×c3+r3×s3)]?（4）
B′=[r0+(i1×c1+r1×s1）－（r2×c2－i2×s2）－（i3×c3+r3×s3)]+j[i0－（r1×c1－i1×s1）－（i2×c2+r2×s2)+(r3×c3－i3×s3)](5）
C′=[r0－（r1×c1－i1×s1)+(r2×c2－i2×s2）－（r3×c3－i3×s3)]+j[i0－（i1×c1+r1×s1)+(i2×c2+r2×s2）－（i3×c3+r3×s3)]（6）
D′=[r0－（i1×c1+r1×s1）－（r2×c2－i2×s2)+(i3×c3+r3×s3)]+j[i0+(r1×c1－i1×s1）－（i2×c2+r2×s2）－（r3×c3－i3×s3)]?（7）
而在基2蝶形中，Wk0和Wk2的值均為1，這樣，将A，B，C和D的表達式代入圖2中的基2運算的四個等式中，則有：
A′=r0+(r1×c1－i1×s1)+j[i0+(i1×c1+r1×s1)]?（8）
B′=r0－(r1×c1－i1×s1)+j[i0－（i1×c1+r1×s1)]（9）
C′=r2+(r3×c3－i3×s3)+j[i0+(i3×c3+r3×s3)]?（10）
D′=r2－（r3×c3－i3×s3)+j[i0－（i3×c3+r3×s3)]?（11）
在上述式（4）～（11）中有很多類同項，如i1×c1+r1×s1和r1×c1－i1×s1等，它們僅僅是加減号的不同，其結構和運算均類似，這就為簡化電路提供了可能。同時，在蝶形運算中，複數乘法可以由實數乘法以一定的格式來表示，這也為設計複數乘法器提供了一種實現的途徑。
以基4為例，在其運算單元中，實際上隻需做三個複數乘法運算，即隻須計算BWk1、CWk2和DWk3的值即可，這樣在一個基4蝶形單元裡面，最多隻需要3個複數乘法器就可以了。在實際過程中，在不提高時鐘頻率下，隻要将時序控制好?便可利用流水線（Pipeline）技術并隻用一個複數乘法器就可完成這三個複數乘法，大大節省了硬件資源。
圖2基2和基4蝶形算法的信号流圖
FFT的地址
FFT變換後輸出的結果通常為一特定的倒序。因此，幾級變換後對地址的控制必須準确無誤。
倒序的規律是和分解的方式密切相關的，以基8為例，其基本倒序規則如下：
基8可以用2×2×2三級基2變換來表示，則其輸入順序則可用二進制序列（n1n2n3）來表示，變換結束後，其順序将變為（n3n2n1），如：X?011 →x?110 ，即輸入順序為3，輸出時順序變為6。
更進一步，對于基16的變換，可由2×2×2×2，4×4，4×2×2等形式來構成，相對于不同的分解形式，往往會有不同的倒序方式。以4×4為例，其輸入順序可以用二進制序列（n1n2n3n4）來表示變換結束後，其順序可變為（（n3n4）（n1n2）），如：X?0111 →x?1101 。即輸入順序為7，輸出時順序變為13。
在2k/4k/8k的傅裡葉變換中，由于要經過多次的基4和基2運算，因此，從每次運算完成後到進入下一次運算前，應對運算的結果進行倒序，以保證運算的正确性。
旋轉因子
N點傅裡葉變換的旋轉因子有着明顯的周期性和對稱性。其周期性表現為：
FFT之所以可使運算效率得到提高，就是利用了對稱性和周期性把長序列的DFT逐級分解成幾個序列的DFT，并最終以短點數變換來實現長點數變換。
根據旋轉因子的對稱性和周期性，在利用ROM存儲旋轉因子時，可以隻存儲旋轉因子表的一部分，而在讀出時增加讀出地址及符号的控制，這樣可以正确實現FFT。因此，充分利用旋轉因子的性質，可節省70%以上存儲單元。
實際上，由于旋轉因子可分解為正、餘弦函數的組合，故ROM中存的值為正、餘弦函數值的組合。對2k/4k/8k的傅裡葉變換來說，隻是對一個周期進行不同的分割。由于8k變換的旋轉因子包括了2k/4k的所有因子，因此，實現時隻要對讀ROM的地址進行控制，即可實現2k/4k/8k變換的通用。
存儲器控制
因FFT是為時序電路而設計的，因此，控制信号要包括時序的控制信号及存儲器的讀寫地址，并産生各種輔助的指示信号。同時在計算模塊的内部，為保證高速，所有的乘法器都須始終保持較高的利用率。這意味着在每一個時鐘來臨時都要向這些單元輸入新的操作數，而這一切都需要控制信号的緊密配合。
為了實現FFT的流形運算，在運算的同時，存儲器也要接收數據。這可以采用乒乓RAM的方法來完成。這種方式決定了實現FFT運算的最大時間。對于4k操作，其接收時間為4096個數據周期,這樣FFT的最大運算時間就是4096個數據周期。另外，由于輸入數據是以一定的時鐘為周期依次輸入的，故在進行内部運算時，可以用較高的内部時鐘進行運算，然後再存入RAM依次輸出。
為節省資源，可對存儲數據RAM采用原址讀出原址寫入的方法，即在進行下一級變換的同時，首先應将結果回寫到讀出數據的RAM存貯器中；而對于ROM，則應采用與運算的數據相對應的方法來讀出存儲器中旋轉因子的值。
在2k/4k/8k傅裡葉變換中，要實現通用性，控制器是最主要的模塊。2k、4k、8k變換具有不同的内部運算時間和存儲器地址，在設計中，針對不同的點數應設計不同的存儲器存取地址，同時，在完成變換後，還要對開始輸出有用信号的時刻進行指示。
硬件選擇
本設計的硬件實現選用的是現場可編程門陣列（FPGA）來滿足較高速度的需要。本系統在設計時選用的是ALTERA公司的STRATIX芯片，該芯片中包含有DSP單元，可以完成較為耗費資源的乘法器單元。同時，該器件也包含有大量存儲單元，從而可保證旋轉因子的精度。
除了一些專用引腳外，FPGA上幾乎所有的引腳均可供用戶使用，這使得FPGA信号處理方案具有非常好的I/O帶寬。大量的I/O引腳和多塊存儲器可使設計獲得優越的并行處理性能。其獨立的存儲塊可作為輸入/工作存儲區和結果的緩存區，這使得I/O可與FFT計算同時進行。在實現的時間方面，該設計能在4096個時鐘周期内完成一個4096點的FFT。若采用10MHz的輸入時鐘，其變換時間在200μs左右。而由于最新的FPGA使用了MultiTrack互連技術，故可在250MHz以下頻率穩定地工作，同時，FFT的實現時間也可以大大縮小。
FFT運算結果的精度與輸入數據的位數及運算過程中的位數有關，同時和數據的表示形式也有很大關系。一般來說，浮點方式比定點方式精度高。而在定點計算中，存儲器數據的位數越大，運算精度越高，使用的存儲單元和邏輯單元也越多。在實際應用中，應根據實際情況折衷選擇精度和資源。本設計通過MATLAB進行仿真證明：其實現的變換結果與MATLAB工具箱中的FFT函數相比，信噪比可以達到65db以上，完全可以滿足一般工程的實際應用要求。
