二维傅里叶变换频谱可视化方法

有志者，事竟成！如果你在学习文章，那么本文《二维信号傅里叶变换频谱可视化技巧》，就很适合你！文章讲解的知识点主要包括，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

本文旨在解决Python中进行二维信号傅里叶变换(DFT)频谱可视化时，因计算`log10(0)`导致`RuntimeWarning`并显示黑色图像的问题。我们将探讨两种有效的解决方案：利用NumPy的条件对数计算功能，或在取对数前为频谱幅值添加一个微小常数，从而确保频谱图像的正确生成与显示。

在信号处理和图像分析中，傅里叶变换是理解信号频率成分的强大工具。当我们对二维信号（如图像）进行傅里叶变换后，通常会计算其幅值谱，并为了更好地观察动态范围，将其转换为对数尺度（通常是分贝，即 20 * log10(幅值)）。然而，当信号的某些频率成分的幅值为零时，直接计算log10(0)会导致数学上的未定义行为，进而引发RuntimeWarning: divide by zero encountered in log10警告，并可能导致频谱图像显示为全黑或异常。

问题剖析：对数谱计算中的“除零”警告

当使用numpy.fft.fft2计算二维离散傅里叶变换（DFT）后，我们得到的是一个复数数组。其幅值通过np.abs()获取。为了在可视化时更好地展现动态范围，我们通常会计算分贝（dB）形式的幅值谱：20 * np.log10(np.abs(dft_signal))。

问题出现在当np.abs(dft_signal)中的某个元素恰好为0时。数学上，log10(0)是负无穷大，这在数值计算中是无法直接表示的。NumPy会发出RuntimeWarning，并将这些位置的结果设为-inf（负无穷）。当matplotlib.pyplot.imshow尝试渲染一个包含-inf值的数组时，它可能会因为无法正确映射这些值而导致图像显示异常，最常见的就是全黑。对于某些特定的信号，例如由少量离散频率分量组成的信号，其DFT结果在大部分频率位置上可能为零，从而频繁触发此问题。

解决方案一：条件对数计算

NumPy的log10函数提供了一个where参数，允许我们指定在哪些位置进行计算。对于不满足条件的位置，我们可以选择不进行计算，或者将其设置为特定的值。

代码示例

import numpy as np

# 假设 dft_signal_X 是一个二维DFT结果数组
# 例如：
# dft_signal_X = np.fft.fft2(signal_function_X(n1, n2))

# 修正后的对数幅值谱计算
# 初始化一个全零数组作为输出，确保不满足条件的位置为0
magnitude_spectrum_X = np.zeros_like(dft_signal_X, dtype=float)

# 仅在 np.abs(dft_signal_X) 不为零的位置计算对数
np.log10(np.abs(dft_signal_X), out=magnitude_spectrum_X, where=np.abs(dft_signal_X) != 0)

# 乘以20转换为分贝
magnitude_spectrum_X = 20 * magnitude_spectrum_X

解释及注意事项

• np.zeros_like(dft_signal_X, dtype=float)：我们首先创建一个与dft_signal_X形状相同、数据类型为浮点数的全零数组magnitude_spectrum_X。这个数组将用作np.log10的out参数。
• where=np.abs(dft_signal_X) != 0：这是关键所在。它告诉NumPy只在dft_signal_X的绝对值不为零的位置执行对数计算。
• out=magnitude_spectrum_X：对于where条件为True的位置，计算结果会存储到magnitude_spectrum_X中。对于where条件为False（即绝对值为零）的位置，magnitude_spectrum_X中的对应元素将保持其初始值（即0）。
• 这种方法确保了log10(0)的计算被跳过，避免了RuntimeWarning。同时，将零幅值频率分量对应的对数谱值设为0，在可视化时通常会显示为图像中最暗的区域，符合预期。

解决方案二：添加微小常数

另一种更简洁且在可视化中常用的方法是在计算对数之前，为所有幅值添加一个非常小的正数（通常称为“epsilon”）。这样可以确保所有输入值都大于零，从而避免log10(0)的问题。

代码示例

import numpy as np

# 假设 dft_signal_X 是一个二维DFT结果数组
# 例如：
# dft_signal_X = np.fft.fft2(signal_function_X(n1, n2))

epsilon = 1e-10  # 定义一个非常小的常数，确保 log10 的输入不为零

# 修正后的对数幅值谱计算
magnitude_spectrum_X = 20 * np.log10(np.abs(dft_signal_X) + epsilon)

解释及优点

• epsilon：一个非常小的正数，如1e-10。它的作用是将所有接近或等于零的幅值“抬高”到epsilon，从而使log10的输入始终大于零。
• 这种方法的优点是代码简洁，易于理解和实现。对于可视化而言，由于epsilon非常小，它对原始非零幅值的影响可以忽略不计，而对于零幅值，它会将其映射到一个非常小的负数（例如，20 * log10(1e-10) = -200），这在灰度图中通常会显示为黑色，非常适合频谱的视觉呈现。
• 它避免了NaN或inf值的产生，使得后续的绘图操作更加稳定。

完整代码示例与可视化

下面我们将上述解决方案（以添加微小常数为例）整合到原始代码中，并展示完整的可视化过程。为了更好地展示频谱，通常会对DFT结果进行零频率居中（np.fft.fftshift）处理。

import numpy as np
import matplotlib.pyplot as plt

# 图像尺寸
M, N = 256, 256

# 生成坐标 n1, n2
n1 = np.arange(0, M)
n2 = np.arange(0, N)
n1, n2 = np.meshgrid(n1, n2)

# 定义五种函数
def signal_function_1(n1, n2):
    return np.sin(2 * np.pi * n1 / M + 3 * np.pi * n2 / N) # 归一化频率

def signal_function_2(n1, n2):
    return np.sin(4 * np.pi * n1 / M) + np.cos(6 * np.pi * n2 / N) # 归一化频率

def signal_function_3(n1, n2):
    Y = np.zeros((M, N), dtype=complex)
    Y[0, 5] = Y[0, N-5] = 1 # 离散频率点
    return np.real(np.fft.ifft2(Y))

def signal_function_4(n1, n2):
    Y = np.zeros((M, N), dtype=complex)
    Y[5, 0] = Y[M-5, 0] = 1 # 离散频率点
    return np.real(np.fft.ifft2(Y))

def signal_function_5(n1, n2):
    Y = np.zeros((M, N), dtype=complex)
    Y[5, 5] = Y[M-5, N-5] = 1 # 离散频率点
    return np.real(np.fft.ifft2(Y))

# 计算信号
signals = {
    '1': signal_function_1(n1, n2),
    '2': signal_function_2(n1, n2),
    '3': signal_function_3(n1, n2),
    '4': signal_function_4(n1, n2),
    '5': signal_function_5(n1, n2)
}

# 计算DFT并处理对数谱
magnitude_spectrums = {}
epsilon = 1e-10 # 用于避免 log10(0)

for key, signal in signals.items():
    dft_signal = np.fft.fft2(signal)
    # 零频率居中，以便更好地可视化
    dft_shifted = np.fft.fftshift(dft_signal)

    # 使用添加微小常数的方法计算对数幅值谱
    magnitude_spectrums[key] = 20 * np.log10(np.abs(dft_shifted) + epsilon)

# 可视化
plt.figure(figsize=(15, 10))

# 信号 1 和 2
plt.subplot(241), plt.imshow(signals['1'], cmap='gray'), plt.title('Signal 1')
plt.subplot(242), plt.imshow(magnitude_spectrums['1'], cmap='jet', vmin=-100, vmax=0), plt.title('Spectrum 1') # 调整vmin/vmax以更好地显示动态范围

plt.subplot(243), plt.imshow(signals['2'], cmap='gray'), plt.title('Signal 2')
plt.subplot(244), plt.imshow(magnitude_spectrums['2'], cmap='jet', vmin=-100, vmax=0), plt.title('Spectrum 2')

# 信号 3 和 4
plt.subplot(245), plt.imshow(signals['3'], cmap='gray'), plt.title('Signal 3')
plt.subplot(246), plt.imshow(magnitude_spectrums['3'], cmap='jet', vmin=-100, vmax=0), plt.title('Spectrum 3')

plt.subplot(247), plt.imshow(signals['4'], cmap='gray'), plt.title('Signal 4')
plt.subplot(248), plt.imshow(magnitude_spectrums['4'], cmap='jet', vmin=-100, vmax=0), plt.title('Spectrum 4')

plt.tight_layout()
plt.show()

# 信号 5 (单独显示，因为只有5个)
plt.figure(figsize=(8, 4))
plt.subplot(121), plt.imshow(signals['5'], cmap='gray'), plt.title('Signal 5')
plt.subplot(122), plt.imshow(magnitude_spectrums['5'], cmap='jet', vmin=-100, vmax=0), plt.title('Spectrum 5')
plt.tight_layout()
plt.show()

代码改进说明：

1. 频率归一化： 在signal_function_1和signal_function_2中，将n1和n2除以M和N进行归一化，确保生成的正弦/余弦波形频率合适，避免过高频率导致混叠或难以观察。
2. np.fft.fftshift： 在计算对数谱之前，对DFT结果使用了np.fft.fftshift。这会将零频率分量（DC分量）从图像的左上角移动到中心，使得频谱的对称性和结构更加直观。
3. cmap='jet', vmin=-100, vmax=0： 在imshow中指定了颜色映射jet和显示范围vmin/vmax。这有助于更清晰地可视化频谱的动态范围。vmin=-100通常能很好地显示背景噪声或非常低的频率分量，而vmax=0则对应于最大幅值（假设信号被归一化到1）。

注意事项与最佳实践

• np.fft.fftshift的重要性： 在可视化频谱时，np.fft.fftshift是一个非常重要的步骤。原始的DFT结果的零频率分量位于数组的左上角（索引(0,0)）。fftshift将其移动到数组中心，使得低频分量集中在中心，高频分量分布在边缘，更符合我们对频谱的直观理解。
• vmin和vmax的调整： matplotlib.pyplot.imshow在显示图像时会自动调整颜色映射的范围。然而，对于对数谱这种具有大动态范围的数据，手动设置vmin和vmax（例如，vmin=-100, vmax=0）可以更好地控制图像的对比度和亮度，突出感兴趣的频率成分。
• 选择哪种方法：
  • 条件对数计算 (where参数)： 更严格地处理零值，将它们精确地映射到0（或预设的最小值）。如果需要精确的数值分析或后续处理对NaN或inf敏感，可能需要结合np.nan_to_num来替换NaN。
  • 添加微小常数 (epsilon)： 代码更简洁，在大多数可视化场景下表现良好，且不易产生NaN或inf，是实践中常用且推荐的方法。选择epsilon的大小应足够小，以不显著影响非零幅值，但又足够大以避免浮点精度问题。1e-10到1e-16通常是合理的选择。

总结

在Python中进行二维信号的傅里叶变换频谱可视化时，正确处理log10(0)引发的RuntimeWarning是确保图像正确显示的关键。通过采用NumPy的条件对数计算功能（使用where参数并结合out参数初始化零值）或更常用的添加微小常数（epsilon）的方法，我们可以有效地避免错误，并生成清晰、准确的频谱图像。结合np.fft.fftshift和适当的imshow参数，可以进一步优化频谱的可视化效果，使其更具可读性和专业性。

终于介绍完啦！小伙伴们，这篇关于《二维傅里叶变换频谱可视化方法》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！