Bloque 2 Tema 2

Sistemas lineales e invariantes
Transformada de Fourier
David Mas Candela

Ondas de luz
Cálculo distribuciones luminosas propagadas
Para obtener la distribución luminosa en un punto a partir de una

perturbación conocida necesitamos resolver la ec. De Helmholtz:
∇! + 𝑘 ! 𝑢 𝒓 = 0
Existen dos estrategias principales para resolver la ecuación de

Helmholtz.
Ondas de luz
1. Integral de Kirchhoff y el teorema de Green:
El teorema integral de Kirchhoff utiliza funciones de Green para deducir la
solución de la ecuación de onda homogénea en un punto arbitrario P en
términos de los valores de la solución de la propia ecuación de onda y su
derivada de primer orden en todos los puntos sobre una superficie arbitraria
que encierra a P.
(Goodman Cap. 3.3.3)
Ondas de luz
2. Teorema del espectro angular

Esta estrategia trata los sistemas ópticos (incluyendo espacios vacíos
de propagación) como sistemas lineales e invariantes, de un modo
similar a como se tratan los sistemas de comunicaciones.
El campo es analizado mediante componentes espectrales a través
de la transformada de Fourier.
Este punto de vista permite una gran cantidad de aplicaciones, desde
el análisis y compensación de sistemas formadores de imágenes,
diseño de elementos holográficos y construcción sistemas de
procesado de información óptica.
Al conjunto de propiedades y aplicaciones que se obtienen desde este
punto de vista se le denomina Óptica de Fourier.
En un sistema, caracterizar completamente todas las posibilidades de
Entrada/Salida es prácticamente imposible
Cuando un sistema es caracterizable como sistema lineal, es posible

establecer algunas funciones básicas de Entrada/Salida que permitan
la descripción completa del sistema.
Las propiedades de un sistema lineal son:

• Escalabilidad
Superposición
• Aditividad
• Invariancia a desplazamientos
http://www.cns.nyu.edu/~david/handouts/linear-systems/linear-systems.html
Escalabilidad:
Aditividad:
Invariancia a desplazamientos:
La conexión entre al entrada y la salida se realiza mediante un
modelo de caja negra. Dicha caja viene caracterizada por un
operador S que transforma la entrada en la salida:
g2 (x2, y2) = S [g1 (x1, y1)]
Dado que los sistemas que estamos tratando son lineales e el

operador debe cumplir:
S {ap(x, y) + bq(x, y)} = aS {p(x, y)} + bS {q(x, y)}
La ventaja de los sistemas lineales es que podemos expresar la

respuesta del sistema a una “entrada compleja” en términos de las
respuestas a entradas más simples.
La descomposición más sencilla en un sistema es descomponerla en
una suma de funciones puntuales:
+∞
∬−∞
g1 (x, y) = g1 (u, v)δ (x − u, y − v) dudv
Aplicando el operador a esta descomposición en particular:
+∞
{ ∬−∞ }
g2 (x2, y2) = S g1 (u, v)δ (x1 − u, y1 − v) dudv
Que por linealidad, se convierte en:

+∞
g1 (u, v) S {δ (x1 − u, y1 − v)} dudv
∬−∞
g2 (x2, y2) =
Y, por tanto, la respuesta del sistema a una función de entrada puede
expresarse como la suma de respuestas a una función impulso.
h (x2, y2; u, v) = S {δ (x1 − u, y1 − v)}
Esta función se conoce como función respuesta impulsional.

Si, además el sistema es invariante a desplazamientos, en realidad no
depende de la posición absoluta de entrada, x1, ni de la de salida u,
sino de la distancia entre ellos:
h (x2, y2; u, v) = h (x2 − u, y2 − v)
Y, el efecto del sistema puede describirse como:

+∞
∬−∞
g2 (x2, y2) = g1 (u, v)h (x2 − u, y2 − v) dudv
La integral:
+∞
∬−∞
g2 (x2, y2) = g1 (u, v)h (x2 − u, y2 − v) dudv
Se conoce como convolución bidimensional entre la función de

entrada y la respuesta impulsional del sistema.
Tradicionalmente se escribe:
g2 = g1 ⊗ h
El significado es que, la salida de un sistema lineal e invariante,

puede expresarse como la superposición de la respuesta
impulsional del sistema desplazada a cada punto de la función de
entrada.
Impulso -> Respuesta impulsional
En su forma discreta la convolución se describe como:
+∞
∑
g(n) = f(m) × h(n − m)
m=−∞
La operación consiste en superponer la función h en cada punto de f y

componer los resultados.
• Definimos los valores sobre índices naturales positivos (m,n≥1)
• Dado que usamos señales (vectores) finitas podemos considerar
que el valor de los elementos fuera del vector expresamente
definido es 0; p.e. f(-3)=0.
• Nótese que tal y cómo se expresa la fórmula de la convolución,
tanto en su forma discreta como continua, la variable corrida (u en
el caso continuo o m en el discreto) tiene signo distinto en f y en h,
lo que implica que h debe invertirse en el caso de un cálculo
gráfico.
Consideremos la convolución entre las dos funciones siguientes:
f = [1, 2, 3] +∞
∑
h= [1, 1, 2]
g(n) = f(m) × h(n − m)
m=−∞
____
g(1)=f(1)*h(0)+f(2)*h(-1)+.... =0
g(2)=f(1)*h(1)+f(2)*h(0)+...=1
g(3)=f(1)*h(2)+f(2)*h(1)+f(3)*h(0)=3
g(4)=f(1)*h(3)+f(2)*h(2)+f(3)*h(1)+f(4)*h(0)+...=7
g(5)=f(1)*h(4)+f(2)*h(3)+f(3)*h(2)+f(4)*h(1)+...=7
g(6)=f(1)*h(5)+f(2)*h(4)+f(3)*h(3)+f(4)*h(2)+ ..=6
g(7)=f(1)*h(6)+f(2)*h(5)+f(3)*h(4)+f(4)*h(3)+...=0
g(...)=0
+∞
∑
f = [1, 2, 3] h= [1, 1, 2] g(n) = f(m) × h(n − m)
m=−∞
De modo gráfico (x significa producto)
f 0 0 0 1 2 3
h x2 x1 x1 x0 x0 x0
g(1)= 0+ 0+ 0+ 0+ 0+ 0= 0
f 0 0 0 1 2 3
h x0 x2 x1 x1 x0 x0
g(2)= 0+ 0+ 0+ 1+ 0+ 0= 1
f 0 0 0 1 2 3
h x0 x0 x2 x1 x1 x0
g(3)= 0+ 0+ 0+ 1+ 2+ 0= 3
+∞
∑
f = [1, 2, 3] h= [1, 1, 2] g(n) = f(m) × h(n − m)
m=−∞
f 0 0 0 1 2 3
h x0 x0 x0 x2 x1 x1
g(4)= 0+ 0+ 0+ 2+ 2+ 3= 7
f 0 0 0 1 2 3
h x0 x0 x0 x0 x2 x1
g(5)= 0+ 0+ 0+ 1+ 4+ 3= 7
f 0 0 0 1 2 3
h x0 x0 x0 x0 x0 x2
g(6)= 0+ 0+ 0+ 1+ 2+ 0= 6
Tal y como se construye, el valor de g(1) siempre es 0, ya que no existe
superposición.
En cualquier caso, (los sistemas se consideran invariables a

desplazamientos). los valores nulos alrededor de la parte no nula de la
convolución tienden a ignorarse
En este caso se han realizado los cálculos con valores de m,n≥1.

Existen diferencias entre la definición de los índices como positivos no
nulos o como números naturales incluyendo los negativos. Estas
diferencias afectan a todas las funciones en óptica y exceden las
pretensiones de la asignatura en la que simplemente se quiere mostrar
el efecto de la superposición lineal de señales y cómo afecta la
respuesta impulsional a la respuesta del sistema.
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=1
5
0
-10 -5 0 5 10
0.5
-0.5
-1
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=2
5
0
-10 -5 0 5 10
0.5
-0.5
-1
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=3
5
0
-10 -5 0 5 10
0.5
-0.5
-1
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=4
5
0
-10 -5 0 5 10
0.8
0.6
0.4
0.2
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=5
5
0
-10 -5 0 5 10
1.5
0.5
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=6
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=7
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=8
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=9
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=10
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=11
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=12
5
0
-10 -5 0 5 10
0
-10 -5 0 5 10
+∞
f = [0, 1, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=12
1
5
0.8
4
0.6 3
0.4 2
0.2 1
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
5 10
4 8
3 6
2 4
1 2
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
+∞
f = [1, 0, 1, 0, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=12
1
5
0.8
4
0.6 3
0.4 2
0.2 1
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
5 8
4
6
3
4
2
2
1
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
+∞
f = [1, 0, 0, 1, 0]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=12
1
5
0.8
4
0.6 3
0.4 2
0.2 1
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
5 6
4 5
4
3
3
2
2
1
1
0 0
-2 0 2 4 6 8 10 12 -10 -5 0 5 10
+∞
f = [1, 0, 0, 0, 1]
∑
g(n) = f(m) × h(n − m)
h= round(5*exp(-(-4:4).^2/4) m=−∞
n=13
1
5
0.8
4
0.6 3
0.4 2
0.2 1
0 0
-2 0 2 4 6 8 10 12 14 -10 -5 0 5 10
5 5
4 4
3 3
2 2
1 1
0 0
-2 0 2 4 6 8 10 12 14 -10 -5 0 5 10
- La respuesta impulsional o PSF nos informa acerca de cómo el
sistema transmite la información.
- Es una de las bases fundamentales para la construcción de métricas

de calidad de imagen.
- La convolución permite reconstruir la señal de salida proporcionada

por un sistema a partir de una señal de entrada dada y por tanto
estudiar efectos, mejoras, o incluso diseñar sistemas con una respuesta
predefinida.
Los sistemas LSI (Linear and shift invariant) son sistemas habituales en
Óptica y Comunicaciones.
Adicionalmente, sabemos que la luz se propaga en forma de ondas.
Sabemos que las ondas pueden caracterizarse por su amplitud o su

frecuencia.
Podemos aplicar la teoría LSI a una onda.
¿Cómo afecta un Sistema Lineal e Invariante a una onda?
¿Cómo pasamos de una onda a una función “complicada”?

(p.e. un objeto para una lente o una imagen proyectada)
Sabemos que una onda simple (seno o coseno) es solución de la
ecuación de ondas.
Además sabemos que podemos propagar objetos complicados como

las imágenes que ponemos en el proyector.
Para pasar de las ondas a objetos más complicados contamos con la

transformada de Fourier.
Entendiendo la Transformada de Fourier
Jean Baptiste Fourier (1768-1830)
Tuvo una idea en 1807: Cualquier función
periódica puede reescribirse como una suma
ponderada de senos y cosenos de diferente
frecuencia.
No te lo crees?
Tampoco le creyeron Lagrange, Laplace, Poisson u
otros grandes científicos
Su teoría no se tradujo al inglés hasta 1878!
Pero, es cierta!
y se llama Análisis de Fourier
https://es.wikipedia.org/wiki/Serie_de_Fourier
Sea una función f(t) periódica integrable en el intervalo [t0-T/2, t0+T/2]

En ese caso es posible obtener el desarrollo en serie de Fourier
mediante:
( T ) ( T )]
∞
[
a0 2nπ 2nπ
2 ∑
f(t) ∼ + an cos t + bn sin t
n=1
Desde el punto de vista matemático, el análisis de Fourier consiste en
la descomposición de una función periódica en una base vectorial
compuesta por senos y cosenos.
( T ) ( T )]
∞
[
a0 2nπ 2nπ
2 ∑
f(t) ∼ + an cos t + bn sin t
n=1
Los coeficientes de Fourier se obtienen proyectando la función sobre

cada elemento de la base: T/2
2
a0 = T ∫ f(t)dt,
−T/2
T/2
f(t)cos ( T t) dt,
2 2nπ
an = T
∫
−T/2
T/2
f(t)sin ( T t) dt .
2 2nπ
bn = T
∫
−T/2
Cualquier función periódica puede reescribirse como una suma
ponderada de senos y cosenos de diferente frecuencia.
https://www.youtube.com/watch?v=r6sGWTCMz2k&t=60s
En realidad la transformada de Fourier es un concepto bastante
“intuitivo”
En acústica, asumimos que, mediante ondas sonoras simples

podemos construir cualquier sonido, desde un claxon hasta una
sinfonía.
Para ello simplemente tenemos que agrupar las ondas con la

frecuencia (nota) adecuada y el volumen adecuado para que el
conjunto suene como deseamos.
Series de Fourier como base del espacio vectorial L2, en notación de
Euler:
∞
n
j2π Tt
∑
f(t) ∼ cne
n=−∞
T/2
1
T ∫−T/2
−j2π Tn t
cn = f(t)e dt
En notación de Euler:
∞
1 T/2
T ∫−T/2
n
cne j2π Tt
∑
f(t) ∼ cn = f(t)e −j2π Tn t
dt
n=−∞
Una de las limitaciones de las series de Fourier es que están limitadas

a funciones periódicas.
Podemos considerar una “extensión periódica” de la señal de modo

que podamos usar las ventajas de la serie de Fourier sobre
cualquier función que cumpla las condiciones de Dirichlet:
- Ser univaluada
- Tener un número máximo de mínimos y máximos
-Tener un número finito de discontinuidades finitas o infinitas
- Ser de cuadrado integrable y no nula en el intervalo −∞, +∞
Consideremos el siguiente ejemplo:
⎧0 −T
2 <t< −p
2
⎪ −p
f ( t ) = ⎨1 2 <t< p
2
⎪0 p
< t < T2
⎩ 2
Si el período de la función T aumenta:
En el límite la función “deja” de ser periódica
Y los coeficientes están cada vez más próximos:
∞
1 T/2
T ∫−T/2
n
cne j2π Tt
∑
f(t) ∼ cn = f(t)e −j2π Tn t
dt
n=−∞
En el límite la función “deja” de ser periódica
Y encontramos un espectro de Fourier continuo

En el límite la función “deja” de ser periódica y encontramos un
espectro de Fourier continuo
∞ T/2
1
T ∫−T/2
n
j2π Tt
∑
f(t) ∼ cne cn = f(t)e −j2π Tn t
dt
n=−∞
+∞ +∞
∫−∞ ∫−∞
f (t) = F (ξ) e j2πξt
dξ F (ξ) = f (t) e −j2πξt
dt
En este caso el sumatorio de Fourier se convierte en una
transformada:
+∞ +∞
∫−∞ ∫−∞
f (t) = F (ξ) e j2πξt dξ F (ξ) = f (t) e −j2πξt dt
F es conocida como la transformada de Fourier de f y suele

escribirse en letra inglesa
ℱ [ f(x)] = F(ξ)
Usaremos letras latinas para referirnos a variables del dominio
temporal o espacial y letras griegas para variables del dominio
frecuencial.
Una transformada de Fourier es un operador de cambio de base. Por
tanto, tiene las siguientes características:
- Un kernel (la exponencial) complejo con un producto lineal entre
las dos variables a transformar ±𝒋𝝃𝒕 . El factor 𝟐𝝅 es accesorio,
mientras que el símbolo positivo o negativo se ha elegido por
convenio.
- La función a transformar depende de una única variable, y sobre
la que se realizará la integral.
- Cualquier transformación integral que tenga un aspecto similar
será considerada una TF, como veremos más adelante.
+∞ +∞
∫−∞ ∫−∞
G (ξ) = g (t) e −jξt dt g (t) = G (ξ) e jξt dξ
¿Qué significa la Transformada de Fourier?
Consideremos la siguiente señal sonora expresada en amplitud
(volumen) frente a tiempo (ms)
Sabemos que suena, se silencia y luego vuelve a sonar durante un

rato hasta que se extingue.
Sabemos que la señal tiene muchos picos apretados. ¿Sonido agudo?
Escucha el sonido pulsando aquí

¿Qué significa la Transformada de Fourier?
Su transformada de Fourier tiene la siguiente representación:
Amplitud
Frecuencia (Hz)
https://www.youtube.com/watch?v=3IAMpH4xF9Q
https://www.youtube.com/watch?v=ZRZIz81nXo4
En ambos videos se muestra la correspondencia entre la nota músical y sus

componentes armónicos (transformada de Fourier).
Como ampliación de la explicación del primer video:

En el caso de una guitarra, al pellizcar la cuerda se crean, simultáneamente
todas las ondas estacionarias posibles que tengan un nodo en el puente y otro
en la horquilla, pero rápidamente se extinguirán, quedando solamente
aquellos modos que hacen que la guitarra suene a guitarra.
Si hacemos un análisis de Fourier, sólo veremos ciertos picos. El primer pico,

llamado fundamental será el mismo que para un violín (define la nota). El
resto serán diferentes para los diferentes instrumentos.
En esta imagen vemos una comparación de la misma nota (440 Hz) tocada
por un violín y por una viola:
Vemos que la nota fundamental está en los dos (en rojo), pero cada uno
presenta un diferente espectro (TF), y por eso suenan ligeramente diferente.
La transformada de Fourier conecta dos descripciones diferentes de
una misma señal:
Una basada en intensidad (describe cuándo suena)

Una basada en los componentes armónicos (describe qué suena)
Desde un punto de vista algebraico, la TF representa un cambio de

base. La integral de Fourier no es más que la proyección de una
función de cuadrado integrable (L2) sobre una base definida por el
conjunto exp( 𝑗2𝜋𝑥)
El dominio espacial (o temporal) y el de Fourier son espacios duales,

lo que implica ciertas relaciones entre las variables.
Propiedades de la Transformada de Fourier*
TF
δ(x) 1
La TF de una función impulsional es una constante en el dominio de

frecuencias.
Esto significa que la función delta “contiene” TODAS las frecuencias
Este hecho es de suma importancia para el estudio de sistemas lineales.
Si podemos generar un impulso tipo delta obtendremos las respuesta del

sistema a TODAS las frecuencias posibles.
Este método (impulso) se usa para estudiar la respuesta frecuencial de sistemas

mecánicos, ópticos o de cualquier índole.
*ver documento propiedades.pdf

TF
δ(x) 1
Cuando damos un golpe seco a una pared, estamos emitiendo una

señal muy corta en el tiempo, tipo delta.
Cuando escuchamos el sonido, obtenemos la respuesta del sistema,

es decir, qué frecuencias se transmiten y qué frecuencias se absorben.
Así, sabemos si la pared es hueca o maciza.

δ(x) 1
δ (x − x0) e −j2πξx0
Ambas señales producen la misma respuesta en intensidad

(invariancia a desplazamientos).
La diferencia es una onda que incide “plana” contra el plano de

observación (k y r paralelos) o que índice “oblicuamente.”
*ver documento propiedades.pdf

Aparte de las que hemos visto, otras propiedades fundamentales de
la Transformada de Fourier son:
Linealidad:
ℱ [a ⋅ f(x) + b ⋅ g(x)] = a ⋅ F(ξ) + b ⋅ G(ξ)
Por definición de integral, la prueba es inmediata
Inversión:
ℱ−1 [ℱ [ f(x)]] = ℱ [ℱ−1 [ f(x)]] = f(x)
Ver prueba de esta propiedad y las siguientes en el documento adjunto.

Inversión temporal:
ℱ [ℱ [ f(x)]] = f(−x)
Ver demostración en el documento adjunto
Esta propiedad indica que la transformada de Fourier es “cíclica” y permite

hablar de “pares” de transformadas de Fourier.
Implica que si demostramos que la TF(f)=F estamos probando al mismo

tiempo que la TF(F)=f (salvo el signo).
Cambio de escala:
|a| ( a )
1 ξ
ℱ [ f(a ⋅ x)] = F
Ver demostración en el documento adjunto
Esta propiedad indica que si el objeto es muy “estrecho” su TF será muy

ancha y viceversa.
Cuando el objeto es muy ”estrecho” significa que necesitamos una onda muy
corta (de alta frecuencia) y por eso la TF se ensancha.
Traslación:
ℱ [f (x − x0)] = e −j2πx0ξF (ξ)
Nótese que si tomamos intensidades, se mantiene la invariancia a

traslaciones.
Teorema de Parseval:
∞ ∞
∫−∞ ∫−∞
2 2
f(x) dx = F(ξ) dξ
Esta propiedad no es más que un principio de conservación de la energía.

Dado que la TF es simplemente un cambio de base, la energía debe
conservarse.
Transformada en el origen:
∞
∫−∞
F(0) = f(x) dx
Esta propiedad indica que, el orden 0 de la transformada es, simplemente el

valor medio de la función. Así, si la función es de promedio nulo, su TF en el
origen es 0.
La TF de la función delta es 1 en todos los puntos, particularmente en el

origen, lo que significa que el valor medio de la función delta es 1.
En muchas ocasiones, en representaciones gráficas de la TF se suele eliminar

el valor de la TF en el origen para evitar el enmascaramiento del resto de
picos. Nótese que eso sólo significa que a la función se ha desplazado
“verticalmente” restándole una constante
OJO: NO CONFUNDIR ESTA PROPIEDAD CON EL T. DE PARSEVAL

Teorema de la convolución:
ℱ [ f (x) ⊗ g (x)] = F (ξ) ⋅ G (ξ)
Este teorema es de gran importancia ya que proporciona un método

alternativo de entender los sistemas lineales e invariantes (LSI)
Recordemos que los sistemas LSI se describían, en el dominio temporal (o

espacial) mediante una función respuesta impulsional o PSF - h(t)-
Este teorema significa que también se pueden definir en el dominio

frecuencial.
De facto, la función h se transforma en una función H que cancelará o

compensará frecuencias, simplemente mediante un producto.
Se define la función de transferencia de un sistema H como la
transformada de Fourier de la función respuesta impulsional
ℱ [h (x, y)] = H (ξ, η)
La función de transferencia da cuenta del efecto que tiene el sistema

sobre el dominio de las frecuencias incrementando, atenuando o
cancelando el peso relativo de cada componente frecuencial.
De acuerdo al teorema de la convolución, el espectro frecuencial de la

función de salida puede obtenerse:
ℱ [g2 (x, y)] = ℱ [g1 (x, y) ⊗ h (x, y)] = G1 (ξ, η) ⋅ H (ξ, η)

El efecto de la función de transferencia es el de un filtro frecuencial.
En función de la atenuación/incremento producida suelen
denominarse como:
- Filtros de baja frecuencia o pasa-baja

- Filtros de alta frecuencia o pasa-alta
- Filtros de frecuencia media o pasa-banda
En la animación siguiente, en la parte central vemos el producto de

un filtro frecuencial (en rojo) sobre transformada de Fourier de la
señal (azul).
En la parte superior se muestra la señal original y en la parte inferior

la señal filtrada, esto es, después de aplicar el producto y realizar la
transformada inversa.
En casos como este resulta más sencillo definir el filtro por cómo
actúa a nivel frecuencial que su descripción en el espacio temporal –h-
que no aportaría información inuitiva.
Pares “famosos” de función – transformada de Fourier
δ(x) 1
δ (x − x0) e −j2πξx0
Estos casos ya los hemos visto anteriormente

1
sin(2πxξo) (δ(ξ − ξ0) − δ(ξ + ξ0))
2i
Este caso deriva de una aplicación directa de la definición de la

función sin(x) siguiendo la notación de Euler.
La demostración de este caso se deja como EJERCICIO
http://www.thefouriertransform.com/pairs/fourier.php
−πx 2
e e −πξ 2
Esta propiedad significa que la función gaussiana es una autofunción de este

espacio.
En combinación con la propiedad de escalado resulta muy útil para describir

el resultado de sistemas con PSFs gaussianas:
- Si la PSF es una gaussiana estrecha, su TF será ancha y dejará pasar

frecuencias altas y bajas
- Si la PSF es una gaussiana ancha, su TF será estrecha y dejará pasar sólo

frecuencias bajas.
1 | x | < 1/2
sin(πx)
rect (x) = 1/2 | x | < 1/2 sinc (ξ) ≡
0 resto πx
La TF de Fourier de un pulso rectangular tiene importancia en la

propagación de haces. Más adelante, en los temas siguientes haremos
referencia a esta transformada
La interpretación física de una onda temporal es sencilla e intuitiva,
pero….
¿Qué es una onda espacial? ¿Qué significa su TF?
Comparando con las ondas sonoras

§ Variación unidimensional = Variación bi-dimensional
§ Volumen = Intensidad luminosa
§ Ondas de presión = ”ondas de contraste”
§ Frecuencia = Detalle
+∞
∬−∞
ℱ [ f(x, y)] = F(ξ) = f (x, y) e −j2π(xξ + yη)
dxdy
+∞
∬−∞
ℱ [ f(x, y)] = F(ξ) = f (x, y) e −j2π(xξ + yη)dxdy
- La TF 2D suele ser separable en x e y

- Dado que la exponencial es adimensional, concluimos que las
dimensiones de 𝜉 𝑦 𝜂 son de longitud-1:
- Las unidades de la frecuencia espacial son:
- mm-1
- pares de líneas* por mm (em inglés lp/mm)
- Píxeles por pulgada (ppp o dpi)
* Para ver dos líneas negras separadas es necesario ver una blanca entre
ellas. Por esto, la frecuencia se mide en pares de líneas (blanca-negra) por
mm
AMPLITUD y FRECUENCIA
La frecuencia de la TF espacial está relacionada con el detalle.
Pensemos en el caso de un móvil: para dar un detalle de alta frecuencia, los puntos
deben estar muy juntos. Si están separados, el detalle fino se perderá.
La mayor frecuencia que puede verse en un móvil es aquella que tiene un píxel
ilumiado al máximo y el siguiente, apagado. ESO es una onda espacial.
Consideremos los siguientes casos e imaginemos un corte transversal
Una línea gruesa nítida: necesitará una onda suave que dará el grueso de la línea y
pequeñas onditas para formar las esquinas, cada vez más pequeñas y de mayor
frecuencia. Esta imagen tiene bajas y altas frecuencias.
Una línea gruesa borrosa: sólo serán necesarias ondas de baja frecuencia ya que no
tienes esquinas.
Línea fina nítida: serán necesarias ondas muy estrechas y de alta frecuencia.
En las siguientes transparencias se muestran diferentes tests frecuenciales.
En ellos simplemente se muestra un dibujo de frecuencia creciente. La frecuencia

máxima que el sistema transmitirá será aquella que mpermita ver las líneas separadas.
Dado que estos tests están normalizados, una vez sabida la posición, es posible saber
cuantas línea por mm (píxeles por pulgada) es capaz de transmitir nuestro sistema.
En el caso del test ocular funciona exactamente igual. Se evalúa la función de

transferencia de nuestro ojo en función de la frecuencia máxima que transmite (en este
caso se mide en ciclos por grado subtendido),
En el caso del ojo miope (objetivo desenfocado) , la respuesta impulsional es muy ancha
(de un punto obtenemos un manchurrón). Esto significa que la TF será estrecha y que
veremos pocas frecuencias. Esto significa que en en el test sólo veremos las letras
grandes. Aun así las veremos borrosas, ya que NO PASAN las frecuencias altas, pero
será suficiente para saber la letra que es. En el caso de la letra pequeña, la PSF es más
ancha que la distancia entre dos detalles y la letra no será legible
Las gafas reenfocan el sistema: la PSF es estrecha y por tanto el sistema admite
frecuencias altas. Como consecuencia vemos las letras más pequeñas y las letras
grandes también las veremos más nítidas.
https://en.wikipedia.org/wiki/1951_USAF_resolution_test_chart
https://www.youtube.com/watch?v=aMe-xF2sRd4
Y, ¿qué significa la orientación?
Y, ¿qué significa la orientación?
Al igual que en acústica el sonido se construía tomando las ondas de

diferentes frecuencias como bloques de Lego, y sumándolas o
restándolas convenientemente, en este caso, tenemos “ondas
espaciales”
En la figura anterior tenemos un ejemplo de las diferente sondas con

las diferentes orientaciones que muestran los bloques para construir
las imágenes.
En este video se ilustra la construcción de una imagen con ondas:
https://youtu.be/mEN7DTdHbAU?t=217
Y, ¿qué pinta tiene una TF espacial?
Cada punto brillante de la TF indica el peso de la frecuencia y su
orientación.
En el diagrama de las frecuencias que hemos visto anteriormente,

cada frecuencia está en un sitio fijo y representamos su contribución
por un pico más o menos alto en función de su peso.
Así, las zonas brillantes de la TF significan que las frecuencias

correspondientes a esa posición (con su frecuencia y orientación
correspondiente) contribuyen al resultado final con el peso que
especifica el brillo de la zona.
Las frecuencias y orientaciones que corresponden a las zonas oscuras

no contribuyen
https://www.youtube.com/watch?v=aiKrrGR57aI
En el video del enlace se muestra una aplicación que permite mostrar

una imagen de cámara y su TF en tiempo real. En los comentarios del
video aparece el link a la aplicación en Python.
En el minuto 1:11 muestra la TF de un círculo. Nótese que que

aunque el objeto se mueve, la TF se queda en el centro, en la misma
posición (invariancia a desplazamientos). También puede verse la
variación del tamaño de la TF con la escala, tal y como se ha
demostrado anteriormente.
En el minuto 2:35 muestra la TF de varias círculos iguales. Dado que

todos proporcionan la misma TF centrada en el mismo punto, todos
se superponen dando lugar a la visión de una sola TF.
https://www.youtube.com/watch?v=aiKrrGR57aI
Si el objeto se cambia por diferentes círculos de diferente tamaño,

cada uno produce su TF con diferente escala y todas las figuras se
superpondrán en el centro.
Analizando la borrosidad de la TF y viendo si hay una TF dominante es

posible averiguar la aleatoriedad de una muestra granular.
En el minuto 3:19 se muestra un objeto con círculos dispuestos de

manera periódica. Vemos que en la TF se superpone la TF del círculo
y la TF de la estructura subyacente.
En la imagen anterior aparece la imagen de Mona Lisa y su TF:
- En el centro vemos un punto brillante. Ese valor es proporcional al

valor medio de la imagen
- La imagen es relativamente complicada, por lo que la TF es bastante

extensa y “compleja”
- Si nos quedamos con la parte central (como hicimos anteriormente

cuando filtrábamos frecuencias), veremos una imagen desenfocada
(sólo frecuencias bajas)
- Si nos quedamos con la parte exterior, veremos una imagen gris con
los bordes y las líneas claramente marcados (frecuencias altas).
Para saber más:
https://www.youtube.com/watch?v=qa1ZxK9Y1Tw
En este video se muestra la TF de una figura simple y el efecto de
cancelar algunas partes de la transformada.
https://www.youtube.com/watch?v=T7J-WrS9ou0
En el video se muestra una aplicación curiosa de la superposición de

ondas. Consiste en acoplar ondas en un osciloscopio de modo que
formen una imagen reconocible. Al mismo tiempo se reproducen
acústicamente las ondas que producen dicha imagen.
Recordemos que, los SLI se caracterizaban mediante una función

respuesta impulsional:
h (x2 − u, y2 − v) = S {δ (x1 − u, y1 − v)}
Y que la respuesta del sistema a una entrada compleja se podría

construir a partir de la respuesta impulsional mediante la
convolución:
+∞
∬−∞
g2 (x, y) = g1 (u, v)h (x − u, y − v) dudv
De ahora en adelante consideraremos los sistemas ópticos como
sistemas de transformación que convierten una entrada en una
salida, siguiendo el modelo de los sistemas de comunicaciones.
Así, la propagación libre, o el paso por una apertura serán
considerados como un “sistema” que transforma una distribución
luminosa de entrada en una de salida.
INPUT OUTPUT

Bloque 2 Tema 2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bloque 2 Tema 2

Cargado por

Copyright:

Formatos disponibles

Sistemas lineales e invariantes

David Mas Candela

Para obtener la distribución luminosa en un punto a partir de una

Existen dos estrategias principales para resolver la ecuación de

2. Teorema del espectro angular

Cuando un sistema es caracterizable como sistema lineal, es posible

Las propiedades de un sistema lineal son:

g2 (x2, y2) = S [g1 (x1, y1)]

Dado que los sistemas que estamos tratando son lineales e el

S {ap(x, y) + bq(x, y)} = aS {p(x, y)} + bS {q(x, y)}

La ventaja de los sistemas lineales es que podemos expresar la

Aplicando el operador a esta descomposición en particular:

Que por linealidad, se convierte en:

h (x2, y2; u, v) = S {δ (x1 − u, y1 − v)}

Esta función se conoce como función respuesta impulsional.

h (x2, y2; u, v) = h (x2 − u, y2 − v)

Y, el efecto del sistema puede describirse como:

Se conoce como convolución bidimensional entre la función de

El significado es que, la salida de un sistema lineal e invariante,

La operación consiste en superponer la función h en cada punto de f y

En cualquier caso, (los sistemas se consideran invariables a

En este caso se han realizado los cálculos con valores de m,n≥1.

- Es una de las bases fundamentales para la construcción de métricas

- La convolución permite reconstruir la señal de salida proporcionada

Adicionalmente, sabemos que la luz se propaga en forma de ondas.

Sabemos que las ondas pueden caracterizarse por su amplitud o su

Podemos aplicar la teoría LSI a una onda.

¿Cómo afecta un Sistema Lineal e Invariante a una onda?

¿Cómo pasamos de una onda a una función “complicada”?

Además sabemos que podemos propagar objetos complicados como

Para pasar de las ondas a objetos más complicados contamos con la

Sea una función f(t) periódica integrable en el intervalo [t0-T/2, t0+T/2]

Los coeficientes de Fourier se obtienen proyectando la función sobre

En acústica, asumimos que, mediante ondas sonoras simples

Para ello simplemente tenemos que agrupar las ondas con la

Una de las limitaciones de las series de Fourier es que están limitadas

Podemos considerar una “extensión periódica” de la señal de modo

Y los coeficientes están cada vez más próximos:

Y encontramos un espectro de Fourier continuo

F es conocida como la transformada de Fourier de f y suele

Sabemos que suena, se silencia y luego vuelve a sonar durante un

Sabemos que la señal tiene muchos picos apretados. ¿Sonido agudo?

Escucha el sonido pulsando aquí

En ambos videos se muestra la correspondencia entre la nota músical y sus

Como ampliación de la explicación del primer video:

Si hacemos un análisis de Fourier, sólo veremos ciertos picos. El primer pico,

Una basada en intensidad (describe cuándo suena)

Desde un punto de vista algebraico, la TF representa un cambio de

El dominio espacial (o temporal) y el de Fourier son espacios duales,

La TF de una función impulsional es una constante en el dominio de

Esto significa que la función delta “contiene” TODAS las frecuencias

Este hecho es de suma importancia para el estudio de sistemas lineales.

Si podemos generar un impulso tipo delta obtendremos las respuesta del

Este método (impulso) se usa para estudiar la respuesta frecuencial de sistemas

*ver documento propiedades.pdf

Cuando damos un golpe seco a una pared, estamos emitiendo una

Cuando escuchamos el sonido, obtenemos la respuesta del sistema,

Así, sabemos si la pared es hueca o maciza.

Ambas señales producen la misma respuesta en intensidad

La diferencia es una onda que incide “plana” contra el plano de

*ver documento propiedades.pdf

Por definición de integral, la prueba es inmediata

ℱ−1 [ℱ [ f(x)]] = ℱ [ℱ−1 [ f(x)]] = f(x)