Sie sind auf Seite 1von 16

Präsentation

Fast Fourier Transformation


FFT
Michael Weiser 5HIB 2005/2006

Über Joseph Fourier


Joseph Fourier wurde am 21. März 1768 in Auxerre
geboren und starb am 16. Mai 1830 in
Paris. Er wurde Professor an der Ecole Polytechnique und
war seit 1816 Mitglied der Academie des Sciences.
Man sagte, dass
„Fouriers Theorie analytique de la chaleur [Paris, 1822] ist die 
Bibel des mathematischen Physikers. Nicht nur werden hier die 
nach ihm benannten trigonometrischen Fourier‐Reihen 
und Integrale entwickelt, sondern es wird auch das allgemeine 
Problem der Randwertaufagben an dem Beispiel der 
Wärmeleitung vorbildlich durchgeführt“.
Fourier befaßte sich auch ausführlich mit der Fehlerauwertung physikalischer Messungen. 
Quelle: Armin Hermann Lexikon – Geschichte der Physik A-Z, Aulis-Verlag Deubner & Co

Fouriertransformation – Einführung
Im Allgemeinen führen Transformatinen zu einer Vereinfachung der Problemlösung.
Die Fouriertransformation hat sich zur Problemvereinfachung als wichtigstes mathematisches
Werkzeug in wissenschaftlichen und industriellen Anwendungsgebieten als sehr effektiv erwisen.

Die Fourier-Transformation kommt in verschiedenen Gebieten zur Anwendung wie:


⇒ Biomedizin 
Untersuchung von Herzkranken 
Untersuchung von Magenerkrankungen 
⇒ Radartechnik 
Erfassung bewegter Ziele 
Doppler‐Messung 
⇒ Nachrichtentechnik 
Sprachverschlüsselung 
Video‐Bandbreitenkompression 
⇒ Signalverarbeitung 
angepasste Filter 
Spracherkennung 

Praktische-Anwendungsgebiete der FFT:


⇒ Bildrestauration 
⇒ Kompressionsverfahren 
⇒ Gesichterkennung 
⇒ Untersuchung von Einschwingvorgängen 
 
Folgender Flussdiagram demonstriert den allgemeinen Zusammenhang zwischen den
konventionellen analytischen und den transformations-analytischen Methoden, am einfachen
Beispiel, nämlich am Beispiel der logarithmieschen Transformation.
 

Bild 1 : Zusammenhang zwischen der konventionellen Analysis und der Transformation-Analysis

Grundkonzept der Fouriertransformation


Die Logarithmustransformation, die in Bild1 zu finden ist, wurde wohl aufgrund ihrer
eindimensionalität leicht verstanden. Die Logarithmusfunktion transformiert nämlich einen
einzählnen Wert X in einen einzählnen Wert log (X).
Die Fouriertransformation kann man nicht in gleich einfacher Weise interpretieren, da wir hier mit
Funktionen zu tun haben, deren Definitionsbereich sich von -_ bis +_ erstreckt. Wir müssen jetzt
eine Funktion einer Variable, defieniert von -_ bis +_, in eine andere Funktion einer anderen
Variable, definiert ebenfalls im Bereich von -_ bis +_, transformieren.
Das Prinzip der Fourier-Transformation ist daher nichts anderes als ein beliebiges Signal als Summe
von Sinusfunktionen unterschiedlicher Frequenz, Amplitude und Phase.
(Bild 2)
Auf diesem Bild wird eine direkte Intrpretation der Fouriertransformation gezeigt.
Die Hauptaufgabe der Fouriertransformation eines Signals (um neben dem mathematischen auch
den physikalisch-technischen Aspekt der Fouriertransformation hervorzuheben, gebrauche ich die
Begriffe Signal und Funktion als synonym) bestehtdaran, dass man das Signal in eine Summe von
Sinusfunktionen unterschiedlicher Frequenzen zerlegt. Wenn aus diesen Sinusfunktionen durch
Überlagerung das urspunliche Signal wiedergewonnen werden kann, dann hat man die
Fouriertransformierte des Signals gefunden!
Man stellt die Fouriertransformierte in einem Diagram dar, in welchem Amplituden, Phasen
und Frequenzen der sinusförmigen Komponenten des Signals aufgetragen werden.
Wir haben hier als Beispiel die Fourier-Transformierte eines einfachen Signals. (Bild2)
Die Fourier-Transformierte besteht aus zwei sinusförmigen Signalen, die nach Überlagerung das
ursprüngliche Signal wiedergeben.

Voraussetzungen für die FT:


⇒ Die Anzahl der Unstetigkeiten innerhalb einer Periode ist endlich.
⇒ Die Anzahl der Maxima und Minima innerhalb einer Periode ist endlich.
⇒ Die Funktion ist in jeder Periode integrierbar (d.h., die Fläche unter dem Betrag der Funktion
ist in jeder Periode endlich)
Definition der Fourier-Transformation
Gegeben sei ein reelles oder komplexwertiges Signal x(t). Wir setzen zun¨achst nur voraus, daß
x(t) st¨uckweise glatt und ¨uber (−∞,∞) absolut integrierbar ist, d. h., daß das Integral

konvergiert. Die Fourier-Transformierte von x(t) wird dann definiert durch

Dieser ¨Ubergang von der Zeitfunktion x(t) zu der Funktion X( jω) heißt Fourier-Transformation
und wird symbolisch durch ausgedrückt.

Historischer Überblick über die schnelle Fouriertransformation


Während einer Sitzung des Wissenschaftlischen Beratungskomitees des US-Päsidenren stellte
Richard L. Garwin fest, dass John W. Tukey sich mit der Erstellung von Programmen für die
Fouriertransformation beschäftigte. Garwin, der selbst für seine Forschungsarbeit
hoffnungslos auf der Suche nach einer schnellen Methode zur Berechnung der
Fouriertransformation war, fragte Tukey nach dessen Kenntnissen über Rechenverfahren für
die Fouriertransformation. Tukey umriß für Garwin im wesentlichen das, was später zu dem
berühmten Cooley-Tukey-Algorithmus führte.
Gerwin ging zum Rechenzentrum des IBM-Forschungszentrums in Yorktown Heights, um
das Verfahren programmieren zu lassen. James W. Cooley war ein relativ neuer Mitarbeiter
im Stab des IBM-Forschungszentrums und wurde nach eigenem Bekunden mit der
Bearbeitung der Aufgabe beauftragt, weil er der einzige war, der nichts wichtigeres zu tun
hatte. Auf das Drängen von Garwin stellte Cooley schnell ein Computerprogramm auf und
kehrte zu seiner eigenen Arbeit zurück, mit der Hoffnung, daß das Projekt erledigt sei und
bald vergessen werden könnte. Da sich jedoch Nachfragen für Kopien des Programms und
desse schriftlichen Dokumentation zu häufen begannen, wurde Cooley um eine
Veröffentlicheung über das Programm gebeten. 1965 publizierten Colley und Tukey den jetzt
weltberühmten Aufsatz „An Algorithm for the Machine Calculation of Complex Fourier
Series” Ohne das Beharrungsvermögen von Garwin wäre die schnelle Fouriertransformation
vielleicht heute noch relativ unbekannt geblieben.

Gesichtserkennung mit der 2-dimensionalen diskreten


Fourier-Transformation
Die Grundidee für die Gesichtererkennung mit Hilfe der Fourier-Transformation besteht
darin, das Originalbild und das Vergleichsbild in den Frequenzbereich zu transformieren, um
dort die Spektren der beiden Bilder einfacher vergleichen zu können.
Bei der Fourier-Transformation handelt es sich um einen globalen Operator, also um einen
Operator, der alle Pixel des Eingangsbilds benötigt, um ein Pixel des Ausgangsbilds zu
berechnen. Die 1-dimensionale Fourier-Transformation wird bei der Verarbeitung 1-
dimensionaler kontinuierlicher oder diskreter Zeitsignale verwendet. Dabei werden die
Zeitsignale aus dem Zeitbereich in den Frequenzbereich transformiert und als
Frequenzspektrum dargestellt. Für die Verarbeitung von Bildern dagegen wird die 2-
dimensionale diskrete Fourier-Transformation (DFT) verwendet, da Bilder digitale (diskrete) 2-
dimensionale Ortssignale sind. Die Transformation erfolgt also vom Ortsbereich in den
Frequenzbereich, der häufig auch als Ortsfrequenzbereich bezeichnet wird.
Das folgende Verfahren der Gesichtserkennung wurde von Hagen Spies in seiner Masterarbeit
vorgestellt: Jedes Gesicht kann durch die Fourier-Transformation in den Frequenzbereich
transformiert werden.

Gesicht und seine Transformation in den Frequenzbereich: links: Originalbild, rechts:


Spektrum des Bilds (Amplitudenspektrum).
Ein erster wichtiger Punkt bei der Betrachtung der Frequenzspektren ist, daß der Großteil der
Bildinformation in den niedrigen Frequenzen enthalten ist. Mit Hilfe der Varianz werden die
Frequenzen berechnet, die Informationen über Unterschiede zwischen den Bildern enthalten.
Diese Varianz wird sowohl für den Realteil, als auch für den Imaginärteil berechnet. Es stellt
sich heraus, daß auch die Informationen über Bildunterschiede zum großen Teil in den
Fourierkoeffizienten niedriger Ordnung enthalten sind. Diese Informationen sind letztendlich
die relevanten Informationen für die Gesichtserkennung.
Die Fourierkoeffizienten werden nun entsprechend ihres Informationsgehalts angeordnet und
nur die ersten N Koeffizienten für die Gesichtserkennung verwendet. Die Anzahl N der
Koeffizienten kann vom Benutzer gewählt werden, abhängig von der gewünschten
Anwendung.

Bei der Herleitung der DFT-Transformationsgleichungen wird eine periodische Funktion im


Zeitbereich unterstellt. Dies läßt sich jedoch mit Hilfe der Systemtheorie begründen. Tastet man
eine Funktion im Zeitbereich ab, so entsteht nach Shannon eine periodische Funktion im
Frequenzbereich. Entwickelt man eine periodische Funktion in eine Fourierreihe, so entstehen die
diskreten Fourierkoeffizienten im Frequenzbereich.
Um dies noch einmal gegenüber zu stellen:
Abtastung im Zeitbereich (also Diskretisierung) => Periodizität im Frequenzbereich
Periodizität im Zeitbereich => Diskrete Koeffizienten im Frequenzbereich
Bei der diskreten Fouriertransformation hat man, wie bei jedem numerischen Verfahren, das
Problem, daß man eine Funktion nur mit einer bestimmten Anzahl von Stützstellen beschreiben
bzw. speichern kann. Daher liegen bei der DFT auch im Spektralbereich diskrete Koeffizienten vor,
zugleich ist das Spektrum periodisch. Mit den obigen Sätzen der Systemtheorie folgt zwingend,
daß dann die Zeitfunktion diskret (ist durch Abtastung erfüllt) und periodisch sein muß.
In allen zuvor verwendeten Gleichungen wird für den Index der Folge im Zeitbereich der Buchstabe
n, für den Index der Folge im Frequenzbereich der Buchstabe m verwendet. Dies allein ist natürlich
etwas unbefriedigend, da für eine physikalische Interpretation auch physikalische Größen benötigt
werden.

Die Diskrete Fourier-Transformation (DFT)

Sie ist ein Spezial fall der kontinuierlichen Fourier Transformation.

⇒ Approximation der Fourier-Transformierten eines nicht-analytischen Signals


⇒ Berechnung auf einem digitalen Rechner:
⇒ Verarbeitung einer endlichen Anzahl von Abtastwerten
⇒ Diskretisierung der Frequenzvariablen

Berechnung der DFT mit Hilfe der schnellen Fourier-Transformation (Fast Fourier
Transform – FFT, Cooley & Tukey, 1965)

Rechenaufwand bei der DFT


o Auswertung an einer Frequenzstelle k : N Multiplikationen und N−1
Additionen
o Auswertung an N Frequenzstellen: N × N Multiplikationen und N × (N−1)
Additionen
o Verminderung des Rechenaufwands für
durch:
Signalflussdiagramm einer 8-Punkte-DFT, aufgespaltet in zwei 4-Punkte-DFTs

Signalflussdiagramm einer 8-Punkte-DFT, aufgespaltet in vier 2-Punkte-DFTs


Vollständige Zerlegung einer 8-Punkte-DFT

Eine Zerlegungsebene besteht aus N/2 Butterfly- bzw. Schmetterlings-Graphen

Rechenaufwand
– Pro Zerlegungsebene zwei komplexwertige Multiplikationen und Additionen
– Anzahl der Zerlegungsebenen entspricht dem Wert q, wobei N = 2q
Aufgrund der Identität

kann die Anzahl der Multiplikationen nochmals um den Faktor 2 reduziert werden
• Vereinfachter Butterfly bzw. Schmetterlings-Graph

Die schnelle Diskrete-Fouriertransformation


Der wahrscheinlich bekannteste Begriff im Zusammenhang mit der Rechneranwendung von
Fouriertransformationen ist die sogenannte "FFT", oder ausführlich Fast Fourier Transform, zu
deutsch also schnelle Fouriertransformation. Dieser Begriff ist allerdings etwas unscharf gewählt,
denn es wird eigentlich keine Fouriertransformation, sondern eine diskrete Fouriertransformation
durchgeführt. Der FFT-Algorithmus ist keine eigenständige Transformation, vielmehr liefert er
exakt das gleiche Ergebnis wie die DFT-Gleichungen, die zuvor besprochen wurden. Wenn also
vom FFT-Algorithmus als ein "Näherungsverfahren" gesprochen wird, so bedeutet dies: die DFT ist
eine Näherung zur kontinuierlichen Fouriertransformation, also ist auch der FFT-Algorithmus eine
Näherung zur kontinuierlichen Fouriertransformation - dennoch ist das Ergebnis von FFT und DFT
identisch, also keine weitere Näherung mehr.

FFT-Algorithmus ist ausschließlich auf Signalsequenzen anwendbar, deren Länge N


einer Zweierpotenz entspricht
Sie ermöglicht eine schnellere Auswertung der DFT
Komplexitätsvergleich DFT – FFT
o FFT benötigt für N=1024 Abtastwerte, ca. 99% weniger Rechenoperationen
o Aufwand der DFT: X(n²)

Natürlich wird die Geschwindigkeitseinsparung nicht immer genauso stark sein, wie die obige
Grafik zeigt. Dennoch wird deutlich, daß sich der Mehraufwand für die Implementierung einer FFT
immer lohnt.

Abtastwerte DFT FFT


8 64 12
32 1024 80
128 16384 448
256 65536 1024
512 262144 2304
1024 1048576 5120
2048 4194304 11264
4096 16777216 24576
Meßtechnische Probleme der DFT - die Wahl des Zeitfensters
Um die prinzipielle Problematik der meßtechnischen Anwendung der DFT aufzuzeigen, muß zu
Beginn eine kurze Analyse der zu untersuchenden Signale stehen. Daß es überhaupt Probleme bei
der Anwendung der DFT auf kontinuierliche Signale gibt, sollte leicht einzusehen sein. Schließlich
wendet man ein numerisches Näherungsverfahren (also diskretes Verfahren) auf die (heile)
analoge Welt an, und muß damit auch gewisse Fehler in Kauf nehmen.
Die im wesentlichen auftauchenden Signale lassen sich in 3 Gruppen einteilen:
a. periodische Signale mit einer solchen Frequenz, daß die Abtastfrequenz ein ganzzahliges
Vielfaches der Signalfrequenz ist
⇒ ein beliebiges periodisches Signal oder periodisches Signalgemisch
⇒ ein transientes (d.h. nichtperiodisches) Signal
Ein Signal der Gruppe a. ist unproblematisch. Wendet man die DFT auf dieses Signal an, so erhält
man in der Tat im Spektrum nur eine einzige Linie, deren Amplitude linear von der Amplitude des
Signals abhängt. Allerdings ist dieser Fall eher akademischer Natur: in der Regel wendet man eine
Frequenzanalyse ja auf Signale an, deren Frequenz unbekannt ist. Wie soll da die Forderung, daß
die Abtastfrequenz ein Vielfaches der Signalfrequenz ist, überhaupt eingehalten werden?

Der Leckeffekt
anhand eines Beispiels siehe unten:

Man sieht deutlich, daß zur Zeit TF eine Sprungstelle auftaucht, die im physikalischen Signal noch
nicht vorhanden war. Aus der Theorie der Fourier-Reihen weiß man aber auch, daß Sprungstellen
zu Frequenzanteilen führen. Daher erzeugt die mathematische Berechnung der DFT des
physikalischen Signals Frequenzanteile an Stellen, an denen eigentlich keine Frequenzanteile
vorhanden sind. Dieser Effekt ist auch als Leck-Effekt (leakage) bekannt.
Die Verschmierung des Spektrums kann durch die Verwendung einer
geeigneten Fensterfunktion reduziert werden

Aufgrund der abrupten Übergänge, welche durch die periodische Fortsetzung des Signals
verursacht werden, kommt es zu einer Verzerrung des Spektrums. Fensterfunktionen
dämpfen die Abtastwerte an den Grenzen des Messintervalls und reduzieren somit den
Leck-Effekt. Allerdings wird hierdurch auch die spektrale Auflösung herabgesetzt, da
insgesamt weniger Information über das Signal zur Verfügung steht.

Fensterfunktionen und ihre spektralen Eigenschaften

Zusammenstellung wichtiger Fensterfunktionen und deren Daten


Die Fensterfunktionen sind bereits für den diskreten Fall angegeben, d.h. als Funktion von n, und
nicht als Funktionen der Zeit t. Dies erleichtert die Rechnerumsetzung. Für Werte außerhalb des
Bereichs 0,...,N-1 sind alle Fensterfunktionen identisch 0.
Rechteckfenster:

Bild 8: Abtastwerte und Spektralfunktion des Rechteckfensters


Dreieckfenster:
(auch Bartlett-Fenster genannt)

Höchster Nebenzipfel: a = − 27dB 0,045


maximaler Abtastfehler: b = 0,81
Breite des Hauptzipfels: c = 0,64⋅Δf

Bild 9: Abtastwerte und Spektralfunktion des Dreieckfensters

Hamming-Fenster:

Kontinuierliches Betragsspektrum:

Höchster Nebenzipfel: a = − 43dB 0,007


maximaler Abtastfehler: b = 0,82
Breite des Hauptzipfels: c = 0,65⋅Δf
Bild 11: Abtastwerte und Spektralfunktion des Hamming-Fensters

Blackman-Fenster:

Höchster Nebenzipfel: a = − 58dB 0,001


maximaler Abtastfehler: b = 0,88
Breite des Hauptzipfels: c = 0,84⋅Δf

Bild 11: Abtastwerte und Spektralfunktion des Hamming-Fensters


Quellen:
FFT-Anwendungen, E. Oran Brigham, übersetzt von Seyed Ali Azizi, R. Oldenbourg Verlag München
Wien 1997

Schnelle Fouriertransformation auf Metabelschen Gruppen, Gregor Errath, Dimplomarbeit zur


Erlangung des akademischen Grades Magister der Naturwissenschaften an der Universität Wien

Diskrete Fouriertransformation und einige Anwendungen, Judith Hergovich, Dimplomarbeit zur


Erlangung des akademischen Grades Magistra der Naturwissenschaften an der Universität Wien

FFT, Schnelle Fouriertransformation, E. Oran Brigham, 5. Auflage, Oldenburg Verlag 1992

Optimierung der Farbwiedergabe digitaler Kamerasystem, Dr. Peter R. Fornaro, UNI Basel

Grundlagen der Signaltheorie,Professor Dr.-Ing. Klaus Meerkötter, Universität Paderborn

Spektralanalyse & Drehzahlsynchrone Abtastung, Dipl. -Ing Steffen Kühn, 2005/2006

FG Fahrzeugsysteme und Grundlagen der Elektrotechnik, Dr.-Ing. Sven Semmelrodt, UNI Kassel

Armin Hermann Lexikon – Geschichte der Physik A-Z, Aulis-Verlag Deubner & Co

http://www.inf.hs-
zigr.de/~wagenkn/TI/Komplexitaet/ReferateSS02/ReferateSS97/fouriertransformation/html/mai
n.html

http://www.mathematik.ch/mathematiker/Four_transf.html

http://www.canto-crudo.com/electric-orpheus/fourier.htm

http://www.markus-hofmann.de/fourier.html