Sei sulla pagina 1di 25

1.

LA TRANSFORMADA DE FOURIER

La transformada de Fourier
Sea f(t) una función localmente integrable cuya integral valor absoluto esta acotada en
R.
Se define su transformada de Fourier como:

Siendo la anti-trnsformada o transformada inversa.

Estas expresiones nos permiten calcular la expresión F( ) (dominio de la frecuencia)


a partir de f(t) (dominio del tiempo) y viceversa.

Notación: A la función F() se le llama transformada de Fourier de f(t) y se denota por


F o f , es decir:

Transformadas integrales

 K(,t): núcleo o kernel.


 Asocia a cada función f(t) en el espacio t, directo o real, otra función F() en el
espacio  o recíproco.
Después, la transformada inversa nos devuelve la solución en el espacio original.

Ejemplo. Calcular F() para el pulso rectangular f(t) siguiente:


7
ALGUNAS FUNCIONES NO POSEEN TRANSFORMADA DE FOURIER

La condición de suficiencia para que la transformada de Fourier de f(x), F ( ) exista


es:
es decir, que f(x) sea de cuadrado sumable. Funciones que no vayan asintóticamente
a cero cuando x tiende a +  y –  en general no tienen transformadas de Fourier.
LA TRANSFORMADA DE FOURIER ES EN GENERAL
compleja La transformada de Fourier F(k) y la función originial f(x) son ambas en
general complejas.

De modo que la transformada de Fourier puede escribirse como:

LA TRANSFORMADA DE FOURIER CUANDO F(X) ES REAL


La TF F(k) es particularmente simple cuando f(x) es real:

PROPIEDADES DE LAS TRANSFORMADAS DE FOURIER:


1. Linealidad .

LA TRANSFORMADA DE FOURIER DE LA COMBINACIÓN LINEAL DE DOS


FUNCIONES.
CALCULAR LA TRANSFORMADA DE FOURIER DE LA SIGUIENTE FUNCIÓN:

La función f(t) se puede escribir también del siguiente modo:

f(t)g(t)h(t)

Luego:
2. TRASLACIÓN EN EL DOMINIO DE TIEMPOS

3. PRODUCTO POR EXPONENCIAL COMPLEJA

4. PRODUCTO POR COS(AT) O SIN(AT)


5. PRODUCTO POR T
2. TRANSFORMADA RÁPIDA DE FOURIER

Las Transformadas Rápidas de Fourier son algoritmos especializados que permiten a


un procesador digital hacer el cálculo de la Transformada Discreta de Fourier de una
forma eficiente, en lo que respecta a carga computacional y tiempo de procesamiento.
Se busca realizar la representación de una señal originalmente adquirida en el dominio
del tiempo (serie de tiempo), como función del dominio de la frecuencia. Dado que el
proceso inverso también se puede implementar mediante este algoritmo, se concluye
que la FFT permite “saltar” de un dominio cualquiera al otro.
Las fórmulas con la que MATLAB calcula la transformada rápida de Fourier Y=fft(x) y
la transformada inversay=ifft(X) son, respectivamente:

La transformada rápida de Fourier FFT es un algoritmo que reduce el tiempo de


cálculo de n2 pasos a n·log2(n). El único requisito es que el número de puntos en la
serie tiene que ser una potencia de 2 (2n puntos), por ejemplo 32, 1024, 4096, etc.

Supongamos que tenemos una señal descrita por un conjunto de n (potencia de


dos) pares de datos (tj,xj) igualmente espaciados en el tiempo, por un intervalo Δt,
desde t=0 hasta tfinal=(n-1)Δt. La inversa del intervalo Δt, se denomina frecuencia de
muestreo fs. De modo que el vector de tiempos es t=(0:n-1)/ fs
La función fft de MATLAB convierte un vector de valores de la señal x en función
del tiempo t en un vector g en función de la frecuencia ω.
g=fft(x)
1. Construir una serie temporal (x,t) formada por n=214=16384 pares de datos,
tomando un intervalo de tiempo Δt=0.4 s, o bien una frecuencia de muestreo
de fs=2.5 Hz. El tiempo final es tfinal=16383·0.4=6553.2 s
2. Calcular la transformada rápida de Fourier fft y la guardamos en el vector g
3. Crear el array de frecuencias ω como en el cuadro anterior
4. Calculamos la potencia power: el cuadrado del valor absoluto de cada elemento
de g.
5. Representar gráficamente power en términos de la frecuencia angular ω
La transformada de Fourier de la función x(t) superposición de cinco funciones
armónicas nos debería dar funciones delta δ(ω) de altura infinita situadas
en ω=±ω0. El resultado de la aplicación de la función fft de MATLAB es un conjunto
de picos muy estrechos y de gran amplitud.
La transformada de Fourier de cualquier señal tiene un número igual de frecuencias
positivas que negativas,P(ω)=P(-ω). En la ventana de la representación gráfica
vemos solamente frecuencias positivas, no vemos la parte negativa del espectro.
En la figura de más abajo vemos las componentes de frecuencias negativas en
color rojo.
Para obtener esta figura modificamos las siguientes líneas de código al script fft_6

Efecto de la frecuencia de muestreo fs

Supongamos la siguiente función y su transformada de Fourier

Para estudiar el efecto la frecuencia de muestreo fs en la Transformada Rápida de


Fourier, vamos a tomar n=16 datos igualmente espaciados de la función f(t) tomando
una frecuencia de muestreo fs=2 Hz, es decir Δt=1/fs=0.5 s es el intervalo de tiempo
entre dos muestras consecutivas de f(t). El último dato corresponde al instante (n-
1)Δt=15·0.5=7.5 s La frecuencia crítica ωc=π/Δt=πfs=2π.
Ahora cambiamos la frecuencia de muestreo a fs=16 Hz, es decir Δt=1/fs=0.0625 s es
el intervalo de tiempo entre dos muestras consecutivas de f(t). El número n=128 de
datos, por lo que el último dato corresponde al instante (n-1)Δt=127·0.0625=7.9375 s.
La frecuencia crítica ωc=π/Δt=πfs=16π.
Función de Gauss

Hemos estudiado en la página titulada "Propagación de las ondas en un medio


dispersivo" la transformada de Fourier de la función cos(ω0t) modulada por una
función de Gauss.

La transformada de Fourier no se ve afectada por la posición del centro del pulso t0.
En primer lugar, centramos el pulso en t0=8 y establecemos la anchura del pulso
en σ2=5, tomamos ω0=10 como frecuencia angular. Dibujamos la función f(t) en el
intervalo 0<t<16. Aunque el pulso se extiende desde -∞ a +∞, en el intervalo [0,16]
está definido el pulso.
Con una frecuencia de muestreo fs=8, tomamos n=128 datos, señalamos los datos
tomados como puntos de color rojo en la gráfica f(t). El primer dato corresponde al
instante t1=0 y el último dato al instante tn=(n-1)/fs=127/8=15.875
En la parte inferior de la ventana, representamos la transformada de Fourier F(ω)
en el intervalo comprendido entre -ωc y ωc , siendo ésta la fecuencia límite ωc=πfs.
Calculamos la transformada rápida de Fourier (FFT) de los datos tomados y
representamos su módulo en dicho intervalo.
Obtenemos dos picos situados en ω=-ω0=-10 y ω=+ω0=10
3. TRANSFORMADA DISCRETA DEL COSENO
La transformada discreta del coseno expresa una secuencia finita de varios puntos como
resultado de la suma de distintas señales sinusoidales (con distintas frecuencias y
amplitudes). Como la [Transformada Discreta de Fourier] (DFT) la DCT trabaja con una
serie de números finitos, pero mientras la DCT solo trabaja con cosenos la DFT lo hace
con exponenciales complejas y utilizando únicamente números reales.

Formalmente la transformada de coseno discreta es una función lineal e invertible del


dominio real RN al dominio real RN, que también se puede entender de forma
equivalente a una matriz de NxN posiciones.

También existe la DCT multidimensional, que se puede considerar como la


multiplicación separable de varias DCT. Por ejemplo la DCT de dos dimensiones és una
transformada normal calculada por cada fila y columna.

Características útiles para la compresión de imágenes

 La DCT tiene una buena capacidad de compactación de la energía al dominio


transformado, es decir, que la transformada de coseno discreta consigue
concentrar la mayor parte de la información en pocos coeficientes transformados
tal y como muestra la imagen.
 La transformación es independiente de los datos. El algoritmo aplicado no varía
con los datos que recibe, como si sucede en otros algoritmos de compresión.
 Hay fórmulas para el cálculo rápido del algoritmo, como podría ser la FFT para
la DFT.
 Produce pocos errores en los límites de los bloques imagen. La minimización de
los errores a los bloques imagen permite reducir el efecto de bloque en la
imágenes reconstruidas.
 Tiene una interpretación frecuencial de los componentes transformados. La
capacidad de interpretar los coeficientes en el punto de vista frecuencial permite
aprovechar al máximo la capacidad de compresión.
3.1. METODOLOGIA ¿COMO SE APLICA A IMAGENES?

El proceso empieza con una descomposición de la imagen en tres matrices, una roja,
una azul y una verde. Cada una de estas matrices las dividiremos en submatrices de
8×8 para aplicar la transformada del coseno.

Luego se procede a recorrer la matriz en forma de zig-zag como se muestra en la figura,


esta lo que hace es asignar un valor a cada posición de la matriz, obteniendo 64 valores.
Los valores de la esquina de arriba a la izquierda de la imagen serán mas importantes
que los demás.
Luego de recorrer la matriz en zig-zag y agregar los valores a la matriz, procedemos a
comprimir la imagen. Aquí se utiliza el criterio para el descarte de los coeficientes
transformados, el cual descarta los valores cuando el modulo sea mayor a la suma de
los módulos que le siguen, también se le puede aplicar un descarte manual, el cual no
va a ser tan especifico.

Para continuar se guardan los valores de la compresión en otra matriz con otro barrido
en zig-zag para poder llegar a la fase final que es la anti transformada del coseno.

Con esto ya la imagen esta comprimida.

Para el proceso inverso, es decir, la descompresión se hace exactamente lo mismo


pero en sentido contrario.

Definición:

Formalmente, la transformada de coseno discreta es una función lineal invertible ,


(donde denota el conjunto de los números reales), o en forma equivalente a una matriz
cuadrada de N X N. Las variantes más usadas son la DCT-I y la DCT-II. La DCT-III se
conoce popularmente como la IDCT (transformada inversa). Cada una de estas posibles
variaciones es debida a la periodicidad y el tipo de simetría aplicada a las muestras
originales.
DCT-I

DCT-II

Es la forma más típicamente utilizada

DCT-III

DOCT-IV

3.2. Serie Senos y Cosenos

Coeficiente de una serie de senos: Suponga que

Ejemplo: Se tiene que {sen nx: n ³ 1} es un conjunto ortogonal de funciones en [0, p].
Entonces se Obtiene
Ya que

3.3. Representación de una constante por una serie de senos

Exprese f(x) = 1 como una serie en términos del conjunto ortogonal de funciones {sen
nx: n ³ 1} en [0, p].

Así es

Esta serie se puede expresar como

3.4. Serie de Fourier de cosenos

Suponga que se tiene una función f(x) definida en el intervalo [0, L]. Primero se mostrará
cómo construir la serie de cosenos. Como se tiene interés en los valores de la serie sólo
en el intervalo [0, L], se puede definir f(x) de cualquier manera fuera de este intervalo.
Con el fin de obtener una serie solo con términos de cosenos, se definirá una extensión
periódica par de f(x).

3.5. Teorema Serie Cosenos

Si f(x) es una función diferenciable por partes [0, L], la serie de Fourier de cosenos para
f(x) es
Donde

(n ³ 1)

Ejemplo: Serie de Fourier de cosenos

Sea f(x) = x en [0, 2]. Encuentre la serie de Fourier de cosenos para f(x)
Se tiene, con L = 2 y f(x) = x

Entonces

3.6. Frecuencia de Muestreo

La tasa o frecuencia de muestreo es el número de muestras por unidad de tiempo que


se toman de una señal continua para producir una señal discreta, durante el proceso
necesario para convertirla de analógica en digital. Como todas las frecuencias,
generalmente se expresa en hercios (Hz, ciclos por segundo) o múltiplos suyos, como
el kilohercio (kHz), aunque pueden utilizarse otras magnitudes.
Señal original y muestreo de la misma.

4. TEOREMA DE NYQUIST
El teorema de muestreo de Nyquist-Shannon, también conocido como teorema de
muestreo de Whittaker-Nyquist-Kotelnikov-Shannon, criterio de Nyquist o teorema de
Nyquist, es un teorema fundamental de la teoría de la información, de especial interés
en las telecomunicaciones
El teorema trata del muestreo que no debe ser confundido o asociado con la
cuantificación, proceso que sigue al de muestreo en la digitalización de una señal y que,
al contrario del muestreo, no es reversible (se produce una pérdida de información en el
proceso de cuantificación, incluso en el caso ideal teórico, que se traduce en una
distorsión conocida como error o ruido de cuantificación y que establece un límite teórico
superior a la relación señal-ruido). Dicho de otro modo, desde el punto de vista del
teorema, las muestras discretas de una señal son valores exactos que aún no han
sufrido redondeo o truncamiento alguno sobre una precisión determinada, esto es, aún
no han sido cuantificadas.
El teorema demuestra que la reconstrucción exacta de una señal periódica continua en
banda base a partir de sus muestras, es matemáticamente posible si la señal está
limitada en banda y la tasa de muestreo es superior al doble de su ancho de banda.
Dicho de otro modo, la información completa de la señal analógica original que cumple
el criterio anterior está descrita por la serie total de muestras que resultaron del proceso
de muestreo. No hay nada, por tanto, de la evolución de la señal entre muestras que no
esté perfectamente definido por la serie total de muestras.

“La frecuencia de muestreo mínima requerida para realizar una grabación digital de
calidad, debe ser igual al doble de la frecuencia de audio de la señal analógica que se
pretenda digitalizar y grabar”.

Este teorema recibe también el nombre de “Condición de Nyquist”.


Es decir, que la tasa de muestreo se debe realizar, al menos, al doble de la frecuencia
de los sonidos más agudos que puede captar el oído humano que son 20 mil Hertz por
segundo (20 kHz). Por ese motivo se escogió la frecuencia de 44,1 kHz como tasa de
muestreo para obtener “calidad de CD”, pues al ser un poco más del doble de 20 kHz,
incluye las frecuencias más altas que el sentido del oído puede captar.

Desarrollado por H. Nyquist, quien afirmaba que una señal analógica puede ser
reconstruida, sin error, de muestras tomadas en iguales intervalos de tiempo. La razón
de muestreo debe ser igual, o mayor, al doble de su ancho de banda de la señal
analógica”.

La teoría del muestreo define que para una señal de ancho de banda limitado, la
frecuencia de muestreo, FM, debe ser mayor que dos veces su ancho de banda [B]
medida en Hertz [Hz].

Supongamos que la señal a ser digitalizada es la voz…el ancho de banda de la voz es


de 4,000 Hz aproximadamente. Entonces, su razón de muestreo será 2*B= 2*(4,000
Hz), es igual a 8000 Hz, equivalente a 8,000 muestras por segundo (1/8000). Entonces
la razón de muestreo de la voz debe ser de al menos 8000 Hz, para que pueda
regenerarse sin error.
La frecuencia 2*B es llamada la razón de muestreo de Nyquist. La mitad de su valor, es
llamada algunas veces la frecuencia de Nyquist. El teorema de muestreo fue
desarrollado en 1928 por Nyquist y probado matemáticamente por Claude Shannon en
1949.
La serie de Fourier correspondiente a un tren de impulsos unitarios, de frecuencia ωs
y duración entre impulsos de T segundos, tiene como expresión:

Como demostración práctica de la fórmula anterior, representamos la suma de los


primeros términos de dicha serie y obtenemos el resultado que aparece en la siguiente
figura:

Si aumentamos el número de armónicos la señal obtenida se parecerá más al tren de


impulsos original. Pues bien, una vez que disponemos de un tren de impulsos como
suma de una serie infinita de señales senoidales, debemos de tener en cuenta que el
proceso de muestreo de cualquier señal analógica puede ser estudiado como la
multiplicación de un tren de impulsos por la señal analógica a muestrear, tal y como se
observa en la siguiente figura:

Para la realización del presente análisis vamos a suponer un caso sencillo, consistente
en muestrear una señal senoidal de frecuencia ωx. El tren de impulsos de muestreo
será el visto anteriormente. Puesto que el muestreo es, en definitiva, la multiplicación de
los impulsos del tren de muestreo por el valor de la señal analógica en cada instante de
muestreo, tenemos entonces que la señal a muestrear tiene por expresión:

Y el tren de impulsos de muestreo tiene por expresión:

Por lo que la señal muestreada tiene como expresión:

Si ahora tenemos en cuenta que cos A cos B = 1/2 [cos(A+B) + cos (A-B)] y
desarrollamos el sumatorio para los diferentes valores de K tenemos que:

Y se cumple que en general, para K=n

Es decir, se observa que aparecen términos múltiplos de la frecuencia del tren de


impulsos de muestreo en forma de términos coseno -armónicos- de frecuencias
ωs, 2ωs, 3ωs……….nωs. Alrededor de éstas frecuencias aparece la suma y la resta
de la frecuencia correspondiente a la señal senoidal muestreada, de frecuencia ωx.
Esos términos que aparecen alrededor de las frecuencias correspondientes a los
términos del tren de impulsos son las bandas laterales, igual que sucede en el proceso
de una modulación de amplitud (AM). Ahora como el tren de impulsos no es equivalente
a una señal senoidal única –portadora en la modulación AM- sino a la suma de infinitos
términos cosenoidales, aparecen infinitas bandas laterales, dos a cada lado de cada
frecuencia correspondiente a los términos de la serie de impulsos. Gráficamente se
observa el resultado en la siguiente figura:

Los segmentos largos corresponden a los términos ωs y los segmentos cortos


corresponden a los términos ωx o bandas laterales. Si la señal a muestrear no es una
senoidal pura sino una señal cualquiera que tiene un espectro de frecuencias
comprendido entre una frecuencia mínima ωzmin y una frecuencia máxima ωzmax,
entonces, gráficamente, dicha señal se puede representar de la siguiente manera:

Si muestreamos la señal anterior mediante un tren de impulsos de frecuencia ωs,


entonces tal y como se ha justificado de forma matemática anteriormente, obtendremos
lo siguiente:

Ahora se puede recuperar de nuevo la señal original a partir de la señal muestreada


si del espectro de frecuencias de la señal muestreada eliminamos todos los términos
menos el correspondiente a la señal original, utilizando para ello un filtro ideal.

Gráficamente hay que filtrar la señal muestreada para coger solamente la parte del
espectro de frecuencias correspondiente a la señal original tal y como se muestra en la
siguiente figura:
Para que el proceso de recuperación de la señal original sea posible es necesario que
cuando se ha realizado el proceso de muestreo, la frecuencia de muestreo o frecuencia
del tren de impulsos haya sido de al menos el doble que la mayor frecuencia presente
en la señal a muestrear, es decir ωs ≥ ωzmax. Si esto no se cumple, entonces las
bandas laterales se solaparán entre sí y la recuperación de la señal original será
imposible.

Esto es lo que se conoce como el TEOREMA DEL MUESTREO, el cual establece que
para realizar un muestreo que posteriormente permita reconstruir la señal original sin
error, la frecuencia de muestreo ωs utilizada debe de ser, por lo menos, igual o mayor
que dos veces la máxima frecuencia contenida en la señal a muestrear. Se debe de
tener en cuenta no obstante que el procedimiento de recuperación de la señal original a
partir de la señal muestreada requiere utilizar filtros ideales, imposibles de realizar. Por
ello, en la práctica, no es posible recuperar la información de la señal analógica original
de forma exacta mediante ese sistema. Matemáticamente existe una fórmula que
permite calcular el valor exacto de la señal original en cualquier instante de tiempo. Esta
fórmula da el valor exacto en los instantes de muestreo y calcula el valor también
exacto entre instantes de muestreo por interpolación:

Ahora bien, si se examina la fórmula con atención se observa que para calcular el valor
de la señal original en un instante t es necesario realizar un sumatorio infinito con los
infinitos valores en los instantes de muestreo antes de t y con los infinitos valores en los
instantes de muestreo detrás de t. Es decir, es un proceso irrealizable, lo cual está de
acuerdo con la imposibilidad física de disponer de filtros ideales para conseguir la
recuperación de la señal original de forma exacta. En la práctica la reconstrucción de la
señal original a partir de la señal muestreada se realiza mediante los denominados
convertidores D/A, que físicamente son retenedores de orden cero.
Si las muestras se han tomado a una frecuencia suficiente, la señal recuperada nunca
será exactamente igual que la original pero si muy parecida.
Ejemplos prácticos:

El en área de la MÚSICA, a veces es necesario convertir material analógico [en acetato,


casetes, cintas magnéticas, etc.] a formato digital [en CD, DVD]. Los ingenieros de
sonido pueden definir el rango de frecuencia de interés. Como resultado, los filtros
analógicos son algunas veces usados para remover los componentes de frecuencias
fuera del rango de interés antes de que la señal sea muestreada.
Por ejemplo, el oído humano puede detectar sonidos en el rango de frecuencias de 20
Hz a 20 KHz. De acuerdo al teorema de muestreo, uno puede muestrear la señal al
menos a 40 KHz para reconstruir la señal de sonido aceptable al oído humano. Los
componentes más arriba de 40 KHz no podrán ser detectados y podrían contaminar la
señal. Estos componentes arriba de los 40 KHz son removidos a través de filtros pasa
banda o filtros pasa bajas.
Algunos de las razones de muestreos utilizadas para grabar música digital son las
siguientes:
Razón de muestreo/ Frecuencia de Nyquist
22,050 kHz = 11,025 kHz (Nyquist)
24,000 kHz = 12,000 kHz
30,000 kHz = 15,000 kHz
44,100 kHz = 22,050 kHz
48,000kHz=24,000kHz
Es muy importante tomar en consideración que la frecuencia más alta del material de
audio será grabada. Si la frecuencia de 14,080 Hz es grabada, una razón de muestreo
de 44.1 kHz deberá ser la opción elegida. 14,080 Hz cae dentro del rango de Nyquist de
44.1 kHz el cual es 22.05 kHz.
La razón de muestreo elegida determina el ancho de banda del audio de la grabadora
usada. Considerando que el rango del oído es de 20 Hz a 20 kHz, una razón de
muestreo de 44.1 kHz teóricamente deberá satisfacer las necesidades de audio.

Potrebbero piacerti anche