频率采样法

玻尔百科

核心要点

频率采样法通过对期望的频率响应进行采样，并利用离散傅里叶逆变换 (IDFT) 计算滤波器的脉冲响应来设计 FIR 滤波器。
该方法能保证所得滤波器的频率响应在指定采样点上完全匹配，但由于吉布斯现象，在采样点之间会产生显著的纹波和较差的阻带衰减。
通过对频率样本强制施加埃尔米特对称性（Hermitian symmetry），可以确保脉冲响应的对称性，从而直接设计出线性相位滤波器。
通过将频率样本设置为零，可以在滤波器的阻带中放置精确的零点，但这会使设计无法成为最小相位系统，因为零点位于单位圆上。

引言

在数字技术的浪潮中，从智能手机的音频增强到医院里的医疗成像系统，数字滤波器始终扮演着一个沉默而关键的角色。它们是信息的守门员，负责通过衰减或放大特定频率来选择性地修改信号。滤波器设计的核心挑战在于，如何将一个理想的频率响应——一份关于如何处理信号的完美“愿望清单”——转化为计算机可以执行的一套实用的、有限的指令。我们如何在这连续的理想与离散的现实实现之间架起桥梁呢？

频率采样法提供了一个优雅且非常直观的答案。它处理问题的方式就像一位雕塑家在一块石头上标记出关键点：在有限数量的频率“路标”上指定滤波器的行为，然后让数学来雕刻出最终的形状。本文将对这一强大的技术进行全面探索。

接下来的章节将引导您领略这一方法的全貌。首先，在“原理与机制”中，我们将探讨其核心概念，从使用离散傅里叶逆变换 (IDFT) 生成滤波器系数，到设计线性相位的细微之处，以及像吉布斯现象这样不可避免的权衡。随后，“应用与跨学科联系”将展示该方法的多功能性，介绍其在构建从简单音频滤波器到用于计算机视觉和生物医学分析的复杂工具等各种应用，揭示抽象理论与实际工程解决方案之间的深刻联系。

原理与机制

想象一下，您想雕刻一座雕像。您的脑海中已经有了成品的清晰画面，但您是从一块石头开始的。您如何将您的构想变为现实？您可能会先在石头上标记出关键点：鼻尖、肩沿、膝盖的弯曲处。这些点将作为您的路标。用于设计滤波器的频率采样法与此惊人地相似。我们的“雕像”是我们期望滤波器拥有的理想频率响应，而我们的“路标”则是一些精心挑选的频率样本。

从期望到现实：DFT 的作用

假设我们有一个期望的频率响应，一条我们称之为 $H_d(e^{j\omega})$ 的连续曲线。这条曲线告诉我们，希望滤波器对每个频率 $\omega$ 进行多大程度的放大或衰减。这是我们的“理想”滤波器。当然，我们无法构建一个在所有无限多个频率上都完美匹配这条理想曲线的滤波器。但如果我们能指定它在有限数量的点（比如说 $N$ 个点）上的行为，然后让数学来填充其余部分呢？

这正是其核心思想。我们选取 $N$ 个等间隔的频率， $\omega_k = \frac{2\pi k}{N}$ ，并在这些点上对我们的理想曲线进行“采样”。这给了我们一组 $N$ 个复数， $H[k] = H_d(e^{j\omega_k})$ ，它们代表了我们的设计目标。这些就是我们的路标。

现在，我们如何从这些频域的路标得到一个真实、有形的滤波器——即一组计算机能够实际使用的时域系数 $h[n]$ 呢？答案是所有科学领域中最强大的工具之一：离散傅里叶逆变换 (IDFT)。我们将 $N$ 个频率样本 $H[k]$ 输入 IDFT 机器，输出的是一串数字，我们称之为 $\tilde{h}[n]$ 。

$\tilde{h}[n] = \frac{1}{N} \sum_{k=0}^{N-1} H[k] e^{j\frac{2\pi k n}{N}}$

DFT 的一个奇特而基本的性质是它在一个循环的世界里运作。 $N$ 个频率点的 IDFT 不仅产生 $N$ 个时域值；它产生一个无限长的序列 $\tilde{h}[n]$ ，这个序列是完全周期的，每 $N$ 个样本重复一次。这是时域“混叠”，是频域采样的对偶现象。为了创建我们最终的长度为 $L$ 的有限脉冲响应 (FIR) 滤波器，我们只需取该序列的一个周期，通常是从 $n=0$ 到 $n=L-1$ 的前 $L$ 个值，并声明我们的滤波器就是一个实现这些系数的盒子。

完美匹配与隐藏的旋律

此方法最简单、最直接的应用是当我们决定使用恰好 $N$ 个频率样本来创建一个长度为 $N$ 的滤波器。在这种情况下，我们的滤波器长度 $L$ 等于我们的频率样本数 $N$ 。这时会发生什么？一件神奇的事情：我们刚刚构建的滤波器的频率响应，我们称之为 $H(e^{j\omega})$ ，将精确地穿过我们指定的那些路标。在我们的每个采样频率 $\omega_k$ 上，响应都恰好是我们所要求的： $H(e^{j\omega_k}) = H[k]$ 。这是一个完美的匹配！我们的愿望实现了，至少在那 $N$ 个点上是如此。

这就引出了一个诱人的问题：我们只指定了 $N$ 个点上的响应。那么滤波器在我们的路标之间的所有其他频率上做了什么？曲线是简单地连接这些点的直线吗？还是别的什么？

事实要优雅得多。傅里叶变换的数学原理规定，您得到的连续频率响应 $H(e^{j\omega})$ 是穿过您指定的 $N$ 个点的唯一的 $N-1$ 阶三角多项式。可以这样想：最终的响应是 $N$ 个基本“波形模式”的叠加，每个模式都以您的一个采样频率 $\omega_k$ 为中心。每个模式的形状被称为狄利克雷核 (Dirichlet kernel)（看起来像一个“周期性 sinc”函数），其振幅由您的样本值 $H[k]$ 决定。这 $N$ 个模式的复杂干涉创造了最终的、连续的频率响应。您指定了音符，而物理定律谱写了连接它们的旋律。

塑造响应：零点的力量

现在我们理解了原理，让我们把它付诸实践。滤波器的主要工作之一是阻挡不需要的频率。这个被阻挡的频率区域被称为阻带。我们如何使用频率采样法来创建一个阻带呢？

答案出奇地简单：你只需告诉滤波器你想要零响应。对于所有落在你期望的阻带内的采样频率 $\omega_k$ ，你将相应的样本值 $H[k]$ 设置为零。

这个简单操作的后果是深远的。当你指定 $H[k] = 0$ 时，你迫使滤波器的连续频率响应 $H(e^{j\omega_k})$ 在该点为零。这意味着滤波器的传递函数 $H(z)$ 必须在 z 平面单位圆上的 $z = e^{j\omega_k}$ 位置有一个零点。本质上，通过将一个频率样本设为零，你直接在你的滤波器响应中“刻画出一个零点”，使其对该特定频率完全“失聪”。对于一个用 $N=32$ 设计的低通滤波器，如果我们设置样本 $H[3]$ 到 $H[29]$ 为零，我们实际上是在单位圆上明确地放置了 27 个零点，为这些频率制造了一道强大的屏障。

一丝优雅：线性相位滤波器

在许多应用中，尤其是在音频和图像处理中，仅仅控制哪些频率通过是不够的。我们还希望确保信号的形状不被扭曲。这要求滤波器具有线性相位响应，意味着所有频率在通过滤波器时都被延迟相同的时间。

我们如何设计线性相位滤波器？答案再次在于对称性。如果一个滤波器的脉冲响应 $h[n]$ 在时间上是对称的，例如，对于一个长度为 $N$ 的滤波器， $h[n] = h[N-1-n]$ ，那么该滤波器将具有线性相位。这个条件对我们的频率样本 $H[k]$ 施加了什么要求呢？它们也必须具有特定的对称性。对于一个实值滤波器，频率样本必须表现出埃尔米特对称性 (Hermitian symmetry)： $H[k] = H^*[(N-k) \pmod N]$ ，其中星号表示复共轭。

例如，如果我们正在设计一个长度为 $N=15$ 的滤波器，并指定 $k=3$ 处的样本为 $H[3] = A + jB$ ，那么对称性要求会强制 $k=12$ （因为 $12 = 15-3$ ）处的样本为 $H[12] = A - jB$ 。如果我们在所有样本上强制执行这种对称性，得到的脉冲响应 $h[n]$ 保证是实数和对称的，并且该滤波器将具有优美的线性相位响应。当我们为这样的滤波器推导脉冲响应时，这种联系变得更加明确；它最终是一个简单而优雅的余弦函数之和。

$h[n] = \frac{1}{N} \left( A_0 + 2 \sum_{k=1}^{(N-1)/2} A_k \cos\left(\frac{2\pi k(n - (N-1)/2)}{N}\right) \right)$

在这里， $A_k$ 值是我们频率响应的实数振幅。这个公式证明了时域对称性与频域结构之间的深刻统一。

不可避免的陷阱：吉布斯的警告

到目前为止，这个方法似乎好得令人难以置信。我们可以指定我们的期望，然后得到一个满足这些期望的滤波器。但是，当我们的期望不切实际时会发生什么？如果我们要求一个“完美”的低通滤波器，一个能通过所有低于截止频率 $\omega_c$ 的频率并立即阻断所有高于该频率的信号的“砖墙”滤波器呢？

我们当然可以尝试。我们会在通带中将样本 $H[k]$ 设置为 1，在阻带中突然将其设置为 0。我们得到的滤波器确实在那些精确的采样点上具有 1 和 0 的响应。但在这些点之间的隐藏旋律却变得不和谐。我们期望的频率响应中尖锐、瞬时的跳变导致插值曲线剧烈过冲和波动。这就是臭名昭著的吉布斯现象。

即使在通带深处，响应也会出现纹波，不再稳定在 1。在一个以这种方式设计的 16 点滤波器的例子中，在通带正中心的一个频率 $\omega=\pi/16$ 处，响应的幅度惊人地降至仅 0.3337，而不是 1！更糟糕的是，在阻带中，虽然响应在我们的采样点上为零，但在它们之间却出现了巨大的能量波瓣。这意味着我们的滤波器阻带衰减性能很差；它未能完成其阻挡不需要频率的主要任务。正是我们期望的尖锐性造成了这个问题。

优化设计：两条前进之路

这种朴素频率采样法的缺陷并非致命弱点；它呼唤一种更精巧的方法。核心问题是尖锐的过渡。有两种主要方法可以平滑它。

第一条路是放弃频率采样，转向加窗法。该方法从数学上理想的、无限长的脉冲响应开始，并使用平滑的“窗”函数（如汉明窗）将其温和地衰减到零。这种方法以更宽、更平缓的过渡带为代价，换取了远为优越的阻带衰减，因为平滑窗的频谱旁瓣比频率采样中隐含的狄利克雷核低得多。

第二条路是在频率采样本身上做得更聪明。我们不是要求一个砖墙式的过渡，而是指定一个更平缓的过渡。我们可以在过渡带中定义一个或多个样本，其值介于 1 和 0 之间。这通常需要使用比我们最终滤波器长度更精细的频率网格，意味着我们选择的样本数 $N$ 大于滤波器长度 $L$ 。现在我们的约束条件（ $N$ 个样本）比自由度（ $L$ 个系数）多，所以精确匹配是不可能的。问题转化为一个优化任务：找到最佳的 $L$ 阶滤波器，使其在最小二乘意义上近似我们期望的 $N$ 个点。这种“第二类”频率采样允许更好的设计，让设计者能够控制过渡宽度和纹波之间的权衡。

最后的奇趣：递归的幻象

为了结束我们的旅程，让我们看一个迷人的工程巧思。FIR 滤波器根据定义是非递归的——其输出仅取决于当前和过去的输入。而递归滤波器还使用过去的输出，形成一个反馈回路。这两种是根本不同的结构。

然而，我们可以用一种看起来完全是递归的结构来构建一个频率采样 FIR 滤波器！该实现涉及一个“梳状滤波器”与一个并联的“谐振器”组串联，每个谐振器都是一个简单的递归元件。

$H(z) = \left(\frac{1 - z^{-N}}{N}\right) \sum_{k=0}^{N-1} \frac{H_k}{1 - e^{j2\pi k/N} z^{-1}}$

乍一看，这似乎是个悖论。一个递归的实现如何能产生有限的脉冲响应？魔力在于极零点对消。每个递归谐振器引入的极点（位于单位圆的 N 次根上）被梳状滤波器（ $1-z^{-N}$ ）的零点完美抵消，而这些零点正位于相同的位置。反馈是一种幻象；在数学上，它被完全抵消，留下了我们最初设计的纯粹的、非递归的 FIR 滤波器。这是一个绝佳的例子，说明了一个系统的抽象性质可以通过不同的、有时是令人惊讶的物理或计算形式来实现。它提醒我们，在信号的世界里，就像在雕塑中一样，实现期望的形式不止一种方法。

应用与跨学科联系

我们已经看到，频率采样法提供了一种非常直接的方式来构建滤波器：你只需在一系列点上指定期望的响应，就像在一块为频率准备的“数字油画”画布上填色一样，然后离散傅里叶逆变换 (IDFT) 就会忠实地连接这些点，从而创建出滤波器的脉冲响应。这很优雅，但我们到底能用这种技术“画”出什么呢？我们能构建出哪些工程和科学上的奇迹？事实证明，答案是相当多的。其应用范围从普通到高度复杂，在探索这些应用的过程中，我们揭示了信号的抽象数学与我们周围的有形世界之间的深刻统一。

基础调色板：构建基本滤波器

让我们从信号处理中最常见的任务开始：选择性地让某些频率通过，同时阻挡其他频率。假设我们想创建一个简单的低通滤波器，一个保留低频（如歌曲中的贝斯）并去除高频（如嘶嘶声）的设备。使用频率采样法，指令简单得可笑：在我们的频率网格上，我们将低频点的值设为 1（“通过”），高频点的值设为 0（“停止”）。为了确保我们最终的滤波器具有实数值系数（这对于大多数现实世界的硬件是必需的），我们必须小心地使我们的频率规格对称。

当我们将这些指令交给 IDFT 时，它会返回一个脉冲响应 $h[n]$ 。对于一个简单的低通滤波器，这个脉冲响应呈现为一个熟悉的形状：一个看起来非常像经典 sinc 函数 $\frac{\sin(x)}{x}$ 的函数，但经过采样并环绕在一个圆上。这个结果的形状在数学上被称为狄利克雷核 (Dirichlet kernel)。这是我们的第一个美妙联系：频域中的一个简单“方框”对应于时域中的一个“sinc”形状。

如果我们想要一个带通滤波器呢？它只通过一个特定的频带，就像调谐到一个广播电台一样。这个逻辑可以完美地扩展。我们可以将带通滤波器看作是一个被上移到更高中心频率的低通滤波器。频率采样法使这个直观的想法变得具体。我们只需将我们的“通带”区域（值为 1）定义在期望的中心频率 $f_c$ 周围，而不是零频率周围。

当我们对这个移位的模式执行 IDFT 时，我们发现了一个非凡的现象：得到的脉冲响应 $h[n]$ 与我们之前发现的那个低通 sinc 型脉冲响应完全相同，但现在乘以了一个频率恰好为 $f_c$ 的余弦波。这正是傅里叶变换的调制特性在起作用，与调幅 (AM) 广播背后的原理完全相同！通过在频域中移动滤波器，我们在时域中调制了它的脉冲响应。

这种“数字油画”方法的威力在于其灵活性。我们不局限于单个通带。我们可以通过在频域中简单地指定多个值为 1 的区域来设计复杂的多带滤波器（同样，要遵守对称性要求）。根据叠加原理，得到的脉冲响应就是我们选择的每个频率所对应的余弦波和其他分量的总和。我们甚至可以创建奇特的滤波器，比如梳状滤波器，通过指定一个周期性的 1 和 0 的模式。在其中一个案例中，这导致了一个仅在两点上非零的脉冲响应，这是一个从看似复杂的频率模式中得到的惊人简单的结果。

超越滤波：信号变换与特征提取

当我们意识到我们不仅可以传递或阻止频率，还可以变换信号以提取隐藏信息时，这种方法的真正威力就显现出来了。一个典型的例子是设计数字微分器。

顾名思义，微分器测量信号的变化率。这为什么有用？想象一下看一张数码照片。图像中的“边缘”——暗物与亮背景之间的边界——仅仅是亮度变化非常迅速的区域。微分器可以突出这些边缘，这是物体识别和计算机视觉中的一个基本首要步骤。在生物医学工程中，分析心电图 (ECG) 的医生希望找到标志心跳的尖锐“QRS 波群”。微分器可以使这些尖峰从其余的噪声信号中脱颖而出。

一个理想微分器的频率响应非常简单： $H(e^{j\omega}) = j\omega$ 。它按频率值的比例放大频率。使用频率采样法，我们可以直接在我们的网格上对这个理想响应进行采样，施加必要的反对称性以获得实数值的脉冲响应，然后 IDFT 就会为我们生成一个有限的、实用的 FIR 滤波器，它近似于一个完美的微分器。在这里，我们看到了从一个高层目标（寻找边缘、检测心跳）到具体滤波器设计的直接桥梁。

游戏规则：内在属性与约束

像任何强大的工具一样，频率采样法有其自身的规则和后果。理解它们是掌握滤波器设计艺术的关键。

其中一个最深刻的“规则”涉及一个叫做最小相位的属性。直观地说，一个最小相位系统是在给定幅度响应下响应最快的系统；它具有最小的可能延迟。这个属性由滤波器在复平面上的“零点”位置决定。一个系统要成为最小相位系统，其所有零点必须严格位于单位圆内部。

这里的陷阱是：当我们使用频率采样法并将一个频率样本 $H[k]$ 设置为零时，我们明确地迫使滤波器的传递函数在相应的频率上恰好在单位圆上有一个零点 [@problemid:1697769]。因为这个零点不严格在单位圆内部，所以以这种方式设计的滤波器（在其阻带中有零点）永远不可能是最小相位的。这是一个根本的权衡：频率采样提供的直接控制是以无法实现最小相位设计为代价的。

另一个关键方面是对滤波器相位响应的控制。在许多应用中，如高保真音频，仅仅把频率弄对是不够的；我们还必须保持信号的波形。这需要一个线性相位滤波器，其中所有频率都被延迟相同的时间。频率采样法为此提供了一个直接的控制手段。通过指定一个具有对称幅度和反对称相位的频率响应 $H[k]$ ，我们可以构建线性相位滤波器。在实践中，这通常通过将期望的幅度响应乘以一个线性相位项 $e^{-j\frac{2\pi}{N}kn_d}$ 来实现。这个项有一个显著的效果：它对应于时域中脉冲响应的循环移位。这个移位使得工程师能够将 IDFT 的原始、通常是“非因果的”输出正确地移入一个因果的窗口（从 $n=0$ 到 $N-1$ ），使其成为一个真实的、可实现的滤波器。

从理论到现实：实现的工程学

最后，我们来到了工程的严酷现实。在纸上设计一个滤波器是一回事；让它在智能手机、卫星或医疗设备上高效运行是另一回事。这就是频率采样法与系统工程学科交叉的地方。

考虑这个挑战：你需要一个满足特定性能指标的滤波器，例如，通带中的纹波（与理想响应的偏差）不超过某个小值 $\delta$ 。理论告诉我们，要获得更小的纹波，我们需要使用更长的滤波器——即更大的 $N$ 值。

但是更大的 $N$ 是有代价的。更长的脉冲响应需要更多的内存来存储，更重要的是，需要更多的计算来应用于信号。现代系统使用快速傅里叶变换 (FFT) 非常高效地执行这种滤波（卷积）。每秒的总计算成本以一种复杂的方式取决于滤波器长度 $N$ 和正在处理的数据块的大小。

这就产生了一个经典的工程权衡难题。设计者必须选择足够大的 $N$ 来满足性能要求（ $\epsilon(N) \le \delta$ ），但又要尽可能小以最小化计算负荷。他们还必须选择一个最佳的处理块大小，同时确保总内存使用量不超过硬件的预算。因此，“最佳”滤波器不是那个频率响应看起来最理想的滤波器，而是那个在给定应用中，在性能、计算成本和资源之间达到完美平衡的滤波器。

从在图上指定点的简单行为开始，我们经历了音频和通信滤波器的设计，看到了如何为计算机视觉和医学构建工具，揭示了系统的基本属性，并最终面对了硬件实现的现实约束。频率采样法以其优雅的简洁性，提供了一个强大的镜头，通过它我们可以看到并欣赏信号处理这个美丽而相互关联的领域。