Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tercera edición
Índice
1. Conceptos básicos 3
1.1. Operaciones básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6. Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2. Series de Fourier 19
2.1. Serie trigonométrica de Fourier . . . . . . . . . . . . . . . . . . . . 19
2.1.1. Coecientes a0 , an y bn . . . . . . . . . . . . . . . . . . . . . 20
2.1.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3. Transformada de Fourier 40
3.1. Denición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1
3.6. Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.1.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.7. Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Bibliografía 106
2
1. Conceptos básicos
Suma de funciones: dos funciones f1 (t) y f2 (t) son sumadas para obtener una
tercera función g(t) = f1 (t) + f2 (t).
Multiplicación por una constante: una función f (t) se multiplica por un factor
de escalamiento α para obtener la función g(t) = αf (t).
f (t + τ ).
3
1.2. Funciones periódicas
Una función periódica es una función para la cual
f (t) = f (t + T ) (1.1)
periodo también se puede denir como el tiempo transcurrido entre dos puntos
sin(t) y cos(t), ambas con periodo T = 2π (Figura 1.2). Por lo tanto, de acuerdo
con (1.1), se tiene que sin(t + 2π) = sin(t) y cos(t + 2π) = cos(t).
1 1
0.5 0.5
2 3 4 2 3 4
-0.5 -0.5
-1 -1
Si se tiene una función periódica f (t) con periodo T, entonces la función f (kt)
T 2π
tiene periodo
k
. Por ejemplo, el periodo de sin(2t) es
2
= π.
El periodo fundamental T0 de f (t) es el valor positivo más pequeño de T para
Ejemplo 1: encontrar el periodo de la función f (t) = (10 cos t)2 (Figure 1.4(a)).
4
(a) (b)
3
Figura 1.3: (a) Una función periódica denida por sin (t) + cos(t). (b) Repetición
3
de la función mediante sin (t + nT0 ) + cos(t + nT0 ).
Debido a que una constante es una función periódica para cualquier valor de T,
y el periodo de cos 2t es π, entonces el periodo de f (t) es π.
t t 1 1
cos + cos = cos (t + T ) + cos (t + T ) .
3 4 3 4
Debido a que cos(t + 2πm) = cos t para cualquier entero m se tiene que
T T
= 2πm y = 2πn,
3 4
donde m y n son enteros. Entonces, T = 6πm = 8πn, lo cual se puede expresar
5
100
2
80
1
60
40
-24 -18 -12 -6 0 6 12 18 24
20
-1
-2 - 0 2
-2
(a) (b)
Figura 1.4: Funciones periódicas: (a) f (t) = (10 cos t)2 y (b) f (t) = cos 3t + cos 4t .
b a
x=− k y y = k, k ∈ Z,
d d
donde d = mcd(a, b) es el máximo común divisor de a y b.
En general, si la función
T
k1
= 2πm, (1.3)
T
k2
= 2πn. (1.4)
6
periódica.
Ejemplo 3: Decidir si la función f (t) = cos 10t + cos(10 + π)t es una función
k1 10 + π
=
k2 10
1.3. Frecuencia
La relación entre la frecuencia f y el periodo T de una función oscilatoria está
dada por
1
f= , (1.6)
T
lo cual indica el número de oscilaciones de la función por unidad de tiempo. La
unidad de medida de la frecuencia es el hertz (Hz). Un hertz quiere decir que una
función oscila una vez por segundo. La Figura 1.5 muestra una función senoidal
dθ 2π
= ω = 2πf = . (1.7)
dt T
La frecuencia angular se mide comúnmente en radianes por segundo (rad/s). La
Figura 1.6 ejemplica la relación de una onda senoidal en el intervalo [0, 2π] con
7
1 Hz
2 Hz
3 Hz
lo cual indica que la señal tiene los mismos valores para el lado positivo y negativo
de |t|. Por ejemplo, la función f (t) = t2 + 1 es par, ya que para cualquier valor t:
f (−t) = (−t)2 + 1,
= (−1 · t)2 + 1,
= (−1)2 · t2 + 1,
= 1 · t2 + 1,
= t2 + 1,
8 = f (t).
Ejemplos de funciones pares son |t|, t2 , t4 , cos(t), y cosh(t).
Por otro lado, una función es impar si satisface la relación:
lo cual indica que su gráca no se altera luego de una rotación de 180◦ alrededor
3
del origen. Por ejemplo, la función f (t) = t es impar, ya que
f (−t) = (−t)3 ,
= (−1 · t)3 ,
= (−1)3 · t3 ,
= −1 · t3 ,
= −1 · f (t),
= −f (t).
9
1.4.1. Descomposición parimpar
Cualquier función f (t) es representable como la suma de una componente par
1 1
f (t) = [f (t) + f (−t)] + [f (t) − f (−t)] . (1.10)
|2 {z } |2 {z }
par impar
2 cos(4t) t > 0,
f (t) = (1.11)
0 otro caso.
Nótese que esta función no es par ni impar, ya que sus valores para t ≤ 0 son cero.
Para la descomposición parimpar, la componente par está dada por:
cos(4t) t > 0,
1
fe (t) = [f (t) + f (−t)] = cos(4t) t < 0, (1.12)
2
0
t = 0,
cos(4t) t > 0,
1
fo (t) = [f (t) − f (−t)] = − cos(4t) t < 0, (1.13)
2
0
t = 0,
la Figura 1.8.
1.4.2. Propiedades
La única función que es tanto par e impar es la función constante f (t) = 0.
10
2
-1 -0.5 0.5 1
-1
-2
1 1
0.5 0.5
-0.5 -0.5
-1 -1
El producto de una función par y una función impar es una función impar.
El cociente de una función par y una función impar es una función impar.
La composición de dos funciones pares es una función par.
(g ◦ f )(t) = f [g(t)].
11
La composición de una función par y una función impar es una función par.
nes par e impar, representadas por las funciones conseno y seno, respectivamente.
Figura 1.9: (a) Funciones par e impar. (b)(c) Sumas de funciones. (d)(e) Produc-
tos de funciones. (f )(g) Derivadas de funciones. (h)(i) Integrales de funciones.
12
1.5. Funciones ortogonales
vectores son ortogonales, entonces su producto escalar es cero, lo cual indica que
mente excluyente. Por lo tanto, se puede decir que dos funciones distintas f1 (t) y
Z b
⟨f1 , f2 ⟩ = f1 (t)f2 (t) dt = 0. (1.14)
a
[−1, 1] porque
Z 1
⟨f1 , f2 ⟩ = f1 (t)f2 (t)dt,
−1
Z 1
= t2 · t3 dt,
−1
6 1
t
= ,
6 −1
1 6
1 − (−1)6 ,
=
6
1
= (1 − 1) ,
6
= 0,
13
Figura 1.10: Funciones ortogonales: (a) producto de f1 (t) y f2 (t) y (b) área resul-
tante. Nótese que el producto de f1 (t) y f2 (t) es una función impar; por lo tanto,
su integral es cero en el intervalo [−1, 1].
(
b
0 m ̸= n
Z
⟨ϕm , ϕn ⟩ = ϕm (t)ϕn (t) dt = (1.15)
a rn m = n
Z T /2
cos(mω0 t) dt = 0, para m ̸= 0 (1.16)
−T /2
Z T /2
sin(mω0 t) dt = 0, para todo valor de m (1.17)
−T /2
(
T /2
m ̸= n
Z
0
cos(mω0 t) cos(nω0 t) dt = (1.18)
−T /2 T /2 m = n ̸= 0
14
(
T /2
m ̸= n
Z
0
sin(mω0 t) sin(nω0 t) dt = (1.19)
−T /2 T /2 m = n ̸= 0
Z T /2
sin(mω0 t) cos(nω0 t) dt = 0, para todo valor de myn (1.20)
−T /2
Estas relaciones demuestran que el conjunto de funciones {1, cos ω0 t, cos 2ω0 t,
. . . , cos nω0 t, . . . , sin ω0 t, sin 2ω0 t, . . . , sin nω0 t, . . .} son ortogonales en el intervalo
2π T
ω0 t|t=±T /2 = ± = ±π. (1.21)
T 2
Z T /2
⟨ϕ0 , ϕm ⟩ = ϕ0 (t)ϕm (t) dt,
−T /2
Z T /2
= cos(0) cos(mω0 t) dt,
−T /2
Z T /2
= cos(mω0 t) dt, *
−T /2
1 T /2
= sin(mω0 t)|−T /2 ,
mω0
1
= [sin(πm) − sin(−πm)] ,
mω0
= 0.
* sin(ax)
R
cos (ax) dx = a .
15
Para (1.18) con m ̸= n se tiene:
Z T /2
⟨ϕm , ϕn ⟩ = ϕm (t)ϕn (t) dt,
−T /2
Z T /2
= cos(mω0 t) cos(nω0 t) dt,
−T /2
Z T /2
1
= {cos[(m + n)ω0 t] + cos[(m − n)ω0 t]}dt,
2 −T /2
T /2 T /2
1 sin[(m + n)ω0 t] 1 sin[(m − n)ω0 t]
= + ,
2 (m + n)ω0 −T /2 2 (m − n)ω0 −T /2
1 1
= {sin[π(m + n)] − sin[−π(m + n)]} +
2 (m + n)ω0
1 1
+ {sin[π(m − n)] − sin[−π(m − n)]},
2 (m − n)ω0
= 0.
Z T /2
⟨ϕm , ϕm ⟩ = ϕ2m (t)dt,
−T /2
Z T /2
= cos2 (mω0 t) dt,
−T /2
Z T /2
1
= [1 + cos(2mω0 t)] dt,
2 −T /2
1 T /2 1 T /2
= t|−T /2 + sin(2mω0 t)|−T /2 ,
2 4mω0
T 1
= + [sin(2πm) − sin(−2πm)] ,
2 4mω0
T
= .
2
Vericar que el conjunto {1, cos ω0 t, cos 2ω0 t, . . . , cos nω0 t, . . . , sin ω0 t, sin 2ω0 t,
. . . , sin nω0 t, . . .} es ortogonal en el intervalo [−T /2, T /2] (Figura 1.11).
16
En el primer caso, para (1.20) con m ̸= n se tiene:
Z T /2
⟨ϕm , ϕn ⟩ = ϕm (t)ϕn (t) dt,
−T /2
Z T /2
= sin(mω0 t) cos(nω0 t) dt,
−T /2
Z T /2
1
= {sin[(m + n)ω0 t] + sin[(m − n)ω0 t]} dt, ¶
2 −T /2
T /2 T /2
1 cos[(m + n)ω0 t] 1 cos[(m − n)ω0 t]
= − − ,
2 (m + n)ω0 −T /2 2 (m − n)ω0 −T /2
1 1
= − {cos[π(m + n)] − cos[−π(m + n)]} +
2 (m + n)ω0
1 1
− {cos[π(m − n)] − cos(−π(m − n))} ,
2 (m − n)ω0
= 0.
Z T /2
⟨ϕm , ϕm ⟩ = ϕm (t)ϕm (t) dt,
−T /2
Z T /2
= sin(mω0 t) cos(mω0 t) dt,
−T /2
Z T /2
1
= sin(2mω0 t) dt,
2 −T /2
1 T /2
= − cos(2mω0 t)|−T /2 ,
4mω0
1
= − [cos(2πm) − cos(−2πm)] ,
4mω0
= 0.
sin A cos B = 21 [sin(A + B) + sin(A − B)].
¶ sin (ax) dx = − cos(ax)
R
.
a
17
Figura 1.11: (a) Funciones ortogonales seno y coseno y (b) área resultante del
producto de ambas funciones. Nótese que el producto de cos(mω0 t) y sin(nω0 t) es
una función impar; por lo tanto, su integral es cero en el intervalo [−T /2, T /2].
1.6. Sumario
El periodo es el tiempo que tarda una función periódica en dar un ciclo
Una función par satisface la relación f (x) = f (−x), esto es, la función es
Una función impar satisface la relación f (−x) = −f (x), esto es, la función
18
2. Series de Fourier
desarrolladas por el matemático francés Jean Baptiste Joseph Fourier para aproxi-
objetos o fenómenos.
Sea f (t) una función periódica con periodo T, la cual se puede representar por
la serie trigonométrica:
a0
f (t) = + a1 cos(ω0 t) + a2 cos(2ω0 t) + · · · + b1 sin(ω0 t) + b2 sin(2ω0 t) + · · · ,
2
∞
a0 X
= + [an cos(nω0 t) + bn sin(nω0 t)], (2.1)
2 n=1
2π
donde ω0 = T
es la frecuencia angular fundamental, y a0 , an y bn son los coecien-
19
expresiones (1.16)(1.20), se pueden determinar los coecientes a0 , an y bn de la
serie de Fourier.
2.1.1. Coecientes a0 , an y bn
Comenzando por encontrar a0 , se integran ambos lados de (2.1) en el intervalo
∞
" #
Z T /2 Z T /2
a0 X
f (t) dt = + (an cos(nω0 t) + bn sin(nω0 t)) dt,
−T /2 −T /2 2 n=1
∞
"Z
1 T /2 T /2
Z X
= a0 dt + an cos(nω0 t) dt
2 −T /2 n=1 −T /2
Z T /2 #
+ bn sin(nω0 t) dt . (2.2)
−T /2
Z T /2 Z T /2
a0 1
f (t) dt = dt = a0 T (2.3)
−T /2 2 −T /2 2
ó Z T /2
2
a0 = f (t) dt. (2.4)
T −T /2
" ∞
#
Z T /2 Z T /2
a0 X
f (t) cos(nω0 t) dt = + (an cos(nω0 t) + bn sin(nω0 t)) cos(nω0 t) dt,
−T /2 −T /2 2 n=1
Z T /2
1
= a0 cos(nω0 t) dt
2 −T /2
∞
"Z
X T /2
+ an cos(nω0 t) cos(mω0 t) dt
n=1 −T /2
#
Z T /2
+ bn sin(nω0 t) cos(mω0 t) dt . (2.5)
−T /2
20
a0 es cero de acuerdo con (1.16), mientras que la integral
La integral que contiene a
será cero excepto cuando m = n, en este caso, de acuerdo con (1.18), es T /2; por
lo tanto,
Z T /2
T
f (t) cos(nω0 t) dt = an , para m = n, (2.6)
−T /2 2
ó Z T /2
2
an = f (t) cos(nω0 t) dt. (2.7)
T −T /2
∞ Z T /2
a0 X 4
f (t) = + an cos(nω0 t), con an = f (t) cos(nω0 t) dt, (2.9)
2 n=1
T 0
y bn = 0. Por otro lado, para una función impar la serie de Fourier está dada por:
∞ Z T /2
X 4
f (t) = bn sin(nω0 t), con bn = f (t) sin(nω0 t) dt, (2.10)
n=1
T 0
y a0 = an = 0.
21
2.1.3. Forma de amplitud-fase
denen como:
p −1 bn
An = a2n + b2n y ϕn = −tan . (2.12)
an
Ambos términos se pueden relacionar en forma compleja como
An ϕn = an − jbn . (2.13)
2.1.4. Ejemplos
−1 − T < t < 0,
2
f (t) = (2.14)
+1 0 < t < T .
2
22
Figura 2.1: Onda cuadrada.
Z T /2
4
bn = sin(nω0 t) dt,
T
"0 #
T /2
4 cos(nω0 t)
= − ,
T nω0 0
4
= [− cos(nπ) + cos(0)] ,
nω0 T
2
= [1 − cos(nπ)] ,
nπ
donde ω0 t = π está dada por (1.21). Debido a que cos(nπ) = (−1)n ,
4
nπ
n impar,
bn =
0 n par.
∞
4 X 1
f (t) = sin(nω0 t).
π n=impar n
ω
0T = (2π/T )T = 2π .
23
Figura 2.2: Onda cuadrada aproximada con los primeros 11 términos.
4
p
nπ
n impar,
An = a2n + b2n = |bn | =
0 n par,
bn
− π n impar,
ϕn = −tan−1 = 2
an 0 n par.
en (2.14) para diferentes valores de nω0 = nπ . Nótese que las amplitudes de los
4t
1 +
T
− T2 < t < 0,
f (t) = (2.15)
4t
1 −
T
0 < t < T2 .
24
Figura 2.3: Amplitud y fase de la función cuadrada en la Figura 2.1.
es decir,
Z T /2
2
a0 = f (t) dt,
T −T /2
Z T /2
4
= f (t) dt,
T 0
4 T /2
Z
4t
= 1− dt,
T 0 T
Z T /2 !
4 T /2
Z
4
= dt − t dt ,
T 0 T 0
4 T /2 2 2 T /2
= t|0 − t 0 ,
T T
2 T2
4 T
= − ,
T 2 T 4
4 T T 25
= − ,
T 2 2
= 0.
Entonces, para el coeciente an se obtiene:
Z T /2
4 4t
an = 1− cos(nω0 t) dt,
T 0 T
"Z #
T /2 Z T /2
4 4
= cos(nω0 t) dt − t cos(nω0 t) dt ,
T 0 T 0
4 1 T /2 4 T /2
= sin(nω0 t)|0 − (nω0 t sin(nω0 t) + cos(nω0 t))|0 ,
T nω0 T (nω0 )2
4 16
= sin(nω0 t)|T0 /2 − 2 (nω0 t sin(nω0 t) + cos(nω0 t))|0
T /2
,
nω0 T (nω0 T )
4 16
= sin(nω0 t)|T0 /2 − (nω0 t sin(nω0 t) + cos(nω0 t))|T0 /2 ,
2πn (2πn)2
2 4
= sin(nω0 t)|T0 /2 − 2 2 (nω0 t sin(nω0 t) + cos(nω0 t))|T0 /2 ,
πn π n
2 4
= [sin(nπ) − sin(0)] − 2 2 [(nπ sin(nπ) + cos(nπ)) − (0 + cos(0))] ,
πn π n
4
= − 2 2 [cos(nπ) − 1] ,
π n
4
= [1 − cos(nπ)] .
π 2 n2
Debido a que cos(nπ) = (−1)n ,
8
n2 π 2
n impar,
an =
0 n par.
∞
8 X 1
f (t) = 2 cos(nω0 t).
π n=impar n2
n+1
x dx = xn+1 .
R n
R ax sin(ax)+cos(ax)
x cos(ax) dx = a2 .
26
Figura 2.5: Función triangular aproximada con los primeros 11 términos.
1 jnω0 t
+ e−jnω0 t
cos (nω0 t) = e (2.16)
2
y
1 jnω0 t
− e−jnω0 t
sin (nω0 t) = e (2.17)
2j
√
donde j= −1. Sustituyendo (2.16) y (2.17) en (2.1) se obtiene:
∞
a0 X 1 jnω0 t −jnω0 t
1 jnω0 t −jnω0 t
f (t) = + an e +e + bn e −e . (2.18)
2 n=1
2 2j
1 = 1j
= j
= j
= −j .
j j j j2 −1
27
∞
a0 1 X
an ejnω0 t + e−jnω0 t − jbn ejnω0 t − e−jnω0 t ,
f (t) = +
2 2 n=1
∞
a0 1 X jnω0 t
+ an e−jnω0 t − jbn ejnω0 t + jbn e−jnω0 t ,
= + an e
2 2 n=1
∞
a0 1 X
(an − jbn )ejnω0 t + (an + jbn )e−jnω0 t .
= + (2.19)
2 2 n=1
a0 an − jbn an + jbn
c0 = , cn = , c−n = , (2.20)
2 2 2
entonces f (t) se expresa como
∞
X
cn ejnω0 t + c−n e−jnω0 t ,
f (t) = c0 +
n=1
∞
X −∞
X
jnω0 t
= c0 + cn e + cn ejnω0 t ,
n=1 n=−1
∞
X
= cn ejnω0 t . (2.21)
n=−∞
Z T /2
1 1
c 0 = a0 = f (t) dt, (2.22)
2 T −T /2
1
cn = (an − jbn ) ,
2 " #
Z T /2 Z T /2
1
= f (t) cos (nω0 t) dt − j f (t) sin (nω0 t) dt ,
T −T /2 −T /2
28
"Z #
T /2
1
= f (t) (cos (nω0 t) − j sin (nω0 t)) dt ,
T −T /2
Z T /2
1
= f (t)e−jnω0 t dt. (2.23)
T −T /2
Z T /2
1 1
c−n = (an + jbn ) = f (t)ejnω0 t dt. (2.24)
2 T −T /2
Z T
1
cn = f (t)e−jnω0 t dt, n = 0, ±1, ±2, . . . , (2.26)
T 0
Los coecientes de las tres formas de las series de Fourier (i.e., seno-coseno,
donde
1p 2
|cn | = an + b2n y ϕn = −tan−1 (bn /an ) (2.29)
2
para todos los valores de n, excepto n = 0. En este caso c0 es real y está deni-
do por (2.22). Por otro lado, de acuerdo con (2.20), los coecientes de la forma
29
trigonométrica (i.e., seno-coseno) de la serie de Fourier se calculan como
a0 = 2c0 , (2.30)
mente.
fase no son curvas continuas sino que aparecen en la variable discreta nωn ; por
2.2.1. Ejemplos
A
f (t) = t, 0 < t < T, f (t + T ) = f (t).
T
30
Los coecientes cn pueden encontrarse a partir de (2.26):
1 T
Z
cn = f (t)e−jnω0 t dt,
T 0
A T −jnω0 t
Z
= te dt,
T2 0
T
e−jnω0 t te−jnω0 t
A
= − − ,
T2 (jnω0 )2 jnω0 0
−jnω0 t T
A e te−jnω0 t
= − 2 + ,
T (jnω0 )2 jnω0 0
−jnω0 T
T e−jnω0 T
−jnω0 0
0e−jnω0 0
A e e
= − 2 + − + ,
T (jnω0 )2 jnω0 (jnω0 )2 jnω0
A e−jnω0 T T e−jnω0 T
1
= − 2 + − ,
T (jnω0 )2 jnω0 (jnω0 )2
A e−jnω0 T − 1 T e−jnω0 T
= − 2 + ,
T (jnω0 )2 jnω0
A e−j2πn − 1 T e−j2πn
= − 2 + .
T (jnω0 )2 jnω0
A T A A jπ
cn = − 2 2π =j = e 2.
T jTn 2πn 2πn
Z T Z T
1 A A
c0 = f (t) dt = 2 t dt = .
T 0 T 0 2
∞
A A X 1 j π jnω0 t
f (t) = + e 2 ·e ,
2 2π n=−∞ n
∞
A A X 1 j (nω0 t+ π2 )
= + e ,
2 2π n=−∞ n
31
Figura 2.7: Función diente de sierra aproximada con los primeros 11 términos.
A
a0 = A, an = 0, y bn = − .
πn
∞
a0 X
f (t) = + (an cos (nω0 t) + bn sin (nω0 t)),
2 n=1
∞
A AX1
= − sin (nω0 t) .
2 π n=1 n
A para − 12 d < t < 12 d,
f (t) =
0 para − 21 T < t < − 12 d, 1
2
d < t < 21 T.
32
Figura 2.8: Tren de pulsos periódico.
Z T /2
1
cn = f (t)e−jnω0 t dt
T −T /2
A d/2 −jnω0 t
Z
= e dt,
T −d/2
A 1 d/2
= e−jnω0 t −d/2 ,
T −jnω0
A 1
ejnω0 d/2 − e−jnω0 d/2 ,
=
T jnω0
A 1 1 d jnω0 d/2
− e−jnω0 d/2 ,
= 2 e
T jnω0 2 d
Ad 1 1 jnω0 d/2 −jnω0 d/2
= nω d
e − e ,
T 20 2j
Ad sin nω20 d
= nω0 d
.
T 2
Ad sin nπd
T
cn = nπd
,
T T
Ad nπd
= sinc .
T T
33
Figura 2.9: Espectro de amplitud del tren de pulsos rectangulares en la Figura 2.8.
El espaciado entre líneas es ω0 .
La función
sin(x)
x
es conocida como la función sinc : sinc(x). Para un argu-
plitud se obtiene gracando |cn | versus la variable discreta nω0 , tal que el espectro
de frecuencia existe solamente cuando
±2π ±4π
ω = 0, , ,..., etc.
T T
y se muestra en la Figura 2.9. Nótese que la función sinc forma la envolvente del
espectro de amplitud.
Hay que señalar que el espectro de fase es cero debido a la simetría de los pulsos
34
1
Figura 2.10: Tren de pulsos periódico desplazado del origen en
2
d.
Figura 2.11: Espectro de fase del tren de pulsos periódico en la Figura 2.10.
1 T A d −jnω0 t
Z Z
−jnω0 t
cn = f (t)e dt = e dt,
T 0 T 0
A 1 d A 1
e−jnω0 t 0 = 1 − e−jnω0 d ,
=
T −jnω0 T jnω0
A 1 −jnω0 d/2 jnω0 d/2
− e−jnω0 d/2 ,
= e e
T jnω0
A 1 1 d jnω0 d/2 −jnω0 d/2
−jnω0 d/2
= e − e e ,
T jnω0 22 d
Ad 1 1 jnω0 d/2
− e−jnω0 d/2 e−jnω0 d/2 ,
= nω d
e
T 2 2j0
35
Nótese que el espectro de amplitud es exactamente igual que el mostrado en la
Ad sin nω20 d
|cn | = nω0 d
.
T 2
nω0 d nπd
ϕn = − =− radianes,
2 T
y se muestra en la Figura 2.11.
2.3. Sumario
Una función periódica es aquella que se repite así misma cada T segundos,
es decir, f (t ± nT ) = f (t), n = 1, 2, 3, . . .
∞
a0 X
f (t) = + (an cos nω0 t + bn sin nω0 t).
2 n=1
Z T /2
2
a0 = f (t) dt,
T −T /2
Z T /2
2
an = f (t) cos(nω0 t) dt,
T −T /2
Z T /2
2
bn = f (t) sin(nω0 t) dt.
T −T /2
función impar: a0 = 0, an = 0 y bn ̸= 0.
36
Las series de Fourier se pueden denir de tres formas: seno-coseno, amplitud-
∞
X
f (t) = cn ejnω0 t .
n=−∞
Z T
1
cn = f (t)e−jnω0 t dt, n = 0, ±1, ±2, . . . ,
T 0
ejemplo:
trigonométrico.
ecuación diferencial.
37
2.4. Ejercicios
Ejercicio 1. Encontrar las series trigonométricas de Fourier y gracar los primeros
10 términos de las siguientes funciones periódicas:
t, 0<t<1
f (t) =
0, 1 < t < 2
0,
−2 < t < −1
f (t) = cos π2 t, −1 < t < 1
0,
1<t<2
1, 0<t<1
f (t) = 0, 1<t<3
−1, 3 < t < 4
38
Ejercicio 2. Encontrar la serie compleja de Fourier de la función periódica sinu-
39
3. Transformada de Fourier
3.1. Denición
Las series de Fourier son una herramienta útil para el tratamiento de señales
periódicas. Sin embargo, existen muchos problemas del mundo real que involucran
señales no periódicas. Para analizar este tipo de señales se puede utilizar la trans-
formada de Fourier, la cual asume que una función no periódica es una función
∞
X
f (t) = cn ejnω0 t , (3.1)
n=−∞
donde Z T /2
1
cn = f (t)e−jnω0 t dt. (3.2)
T −T /2
La frecuencia fundamental es
2π
ω0 = (3.3)
T
y el espacio entre armónicos adyacentes es
2π
∆ω = (n + 1)ω0 − nω0 = ω0 = . (3.4)
T
∞
" #
Z T /2
X 1
f (t) = f (t)e−jnω0 t dt ejnω0 t ,
n=−∞
T −T /2
∞
" #
∆ω T /2
X Z
−jnω0 t
= f (t)e dt ejnω0 t ,
n=−∞
2π −T /2
∞
"Z #
T /2
1 X
= f (t)e−jnω0 t dt ∆ωejnω0 t . (3.5)
2π n=−∞ −T /2
40
de frecuencia discreta nω0 se convierte en la frecuencia continua ω. Por lo tanto,
cuando T →∞
∞
X Z ∞
⇒
n=−∞ −∞
∆ω ⇒ dω
nω0 ⇒ ω
Z ∞ Z ∞
1 −jωt
f (t) = f (t) e dt ejωt dω, (3.6)
2π −∞ −∞
Z ∞
F (ω) = F [f (t)] = f (t) e−jωt dt, (3.7)
−∞
Z ∞
−1 1
f (t) = F [F (ω)] = F (ω) ejωt dω, (3.8)
2π −∞
Fourier:
como:
41
Tabla 3.1: Signicado de componentes en (3.10).
Componente Signicado
Re[F (ω)] Contribución de la función coseno con frecuencia ω.
Im[F (ω)] Contribución de la función seno con frecuencia ω.
|F (ω)| Amplitud del espectro en la frecuencia ω.
ϕ(ω) Proporción relativa de seno y coseno con frecuencia ω.
donde |F (ω)| y ϕ(ω) son la magnitud y la fase del espectro expresadas como:
q
|F (ω)| = Re2 [F (ω)] + Im2 [F (ω)], (3.11)
y
−1 Im[F (ω)]
ϕ(ω) = tan , (3.12)
Re[F (ω)]
donde Re y Im son la parte real e imaginaria del espectro, respectivamente. En la
Por otro lado, se tiene que |F (ω)| es una función par y ϕ(ω) es una función
impar, es decir
3.1.1. Ejemplos
nido por
1 |t| < τ
2
f (t) =
0 |t| > τ
2
http://www.tomasboril.cz/fourierseries3d/en/.
42
ω
Z ∞
F (ω) = f (t)e−jωt dt,
−∞
Z τ /2
= e−jωt dt,
−τ /2
1 −jωt τ /2
= − e −τ /2
,
jω
1 jω τ
e 2 − e−jω 2 ,
τ
=
jω
2 τ
= sin ω ,
ω 2
2 1τ τ
= sin ω ,
ω 22 τ 2
sin ω τ2
= τ ,
ω τ2
τ
= τ sinc ω .
2
43
Figura 3.2: Espectros de Fourier del pulso rectangular: (a) magnitud y (b) fase.
e−αt t > 0,
f (t) =
0 t < 0.
Z ∞
F (ω) = f (t)e−jωt dt,
Z−∞
∞
= e−αt e−jωt dt,
Z0 ∞
= e−(α+jω)t dt,
0
1 ∞
= − e−(α+jω)t 0
,
α + jω
1
= .
α + jω
e−∞ = 1
= 1
≈ 0.
e∞ ∞
44
Figura 3.3: Espectros de Fourier de la función exponencial: (a) magnitud y (b) fase.
3.2. Propiedades
Linealidad: Si F1 (ω) y F2 (ω) son transformadas de Fourier de f1 (t) y f2 (t),
respectivamente, entonces
45
Desplazamiento en la frecuencia: Si F (ω) = F[f (t)], entonces
donde el asterisco denota el conjugado complejo . Esta propiedad establece
que la inversión de f (t) sobre el eje del tiempo invierte F (ω) sobre el eje de
la frecuencia. Esto puede ser visto como un caso especial del escalamiento en
imaginaria.
46
escribe como
1
lo cual indica que el contenido de energía de f (t)
2π
multi-está dado por
2 2
plicado por el área bajo la curva de |F (ω)| . Entonces, la cantidad |F (ω)|
una tercera función que expresa la cantidad de traslape de una función que se
Z ∞
g(t) = f (t) ∗ h(t) = f (τ )h(t − τ )dτ , (3.24)
−∞
g(t) es la señal de salida. Esta operación representa una suma ponderada entre la
la señal de salida.
47
Figura 3.4: Convolución entre pulsos rectangulares para seis desplazamientos en el
tiempo τ de la función h(t).
Z ∞ Z ∞
F[f (t) ∗ h(t)] = f (τ )h(t − τ )dτ e−jωt dt,
Z−∞
∞
−∞
Z ∞
−jωt
= f (τ ) h(t − τ )e dt dτ. (3.25)
−∞ −∞
Z ∞
F[f (t) ∗ h(t)] = f (τ )e−jωτ H(ω)dτ ,
−∞
Z ∞
= H(ω) f (τ )e−jωτ dτ ,
−∞
= H(ω)F (ω). (3.27)
48
Por lo tanto, el teorema de convolución establece que una convolución en el dominio
del tiempo equivale al producto de dos transformadas de Fourier en el dominio de
49
3.4. Transformadas de Fourier de funciones especiales
3.4.1. Función impulso
dene como
∞ t = 0,
δ(t) = (3.29)
0 t ̸= 0,
lo cual indica que δ(t) es cero excepto en t = 0, donde se hace innita, tal que
Z ∞
δ(t) dt = 1. (3.30)
−∞
1 − 21 ϵ < t < 12 ϵ,
ϵ
δϵ (t) = (3.31)
0 otro caso,
lo cual indica que si ϵ→0 la amplitud del pulso aumenta para preservar su área
Z ∞
F[δ(t)] = δ(t)e−jωt dt = e−jωt t=0
= 1, (3.32)
−∞
50
Figura 3.6: (a) Aproximación de la función impulso. (b) Función impulso unitario.
(c) Transformada de Fourier de la función impulso.
51
nencial compleja; por lo tanto, su magnitud es unitaria .
esto es
Por consiguiente, F[A] = A2πδ(ω) . Esto indica que la única frecuencia que
DC), como se muestra en la Figura 3.8. Se puede observar que para una función
malmente angosta.
1 t > 0,
u(t) = (3.35)
0 t < 0.
|ejθ |
p
= cos2 θ + sin2 θ = 1.
δ(−ω) = δ(ω).
52
Figura 3.8: (a) Valor constante A. (b) Transformada de Fourier de un valor cons-
tante.
y por consiguiente
1
F (ω) = . (3.39)
jω
Desafortunadamente la expresión en (3.39) está indenida para ω = 0. Para resol-
+1 t > 0,
sgn(t) = (3.40)
−1 t < 0,
53
la cual se puede aproximar como
e−αt t > 0,
fα (t) = con α > 0. (3.41)
−eαt t < 0,
1 1
= − + ,
α − jω α + jω
−(α + jω) + (α − jω)
= ,
α2 + ω 2
2jω
= − 2 ,
α + ω2
donde el parámetro α controla qué tan rápido la función exponencial varía. Con-
forme α → 0, la función función exponencial se acerca cada vez más a una función
signo (Figura 3.9(c)). Por lo tanto,
1
u(t) = (1 + sgn(t)). (3.42)
2
Finalmente usando la propiedad de linealidad en (3.13), la transformada de Fourier
1/j = −j
54
de un escalón unitario (Figura 3.9(d)) es
1 1 1
F[u(t)] = F[1] + F[sgn(t)] = πδ(ω) + . (3.43)
2 2 jω
Figura 3.9: (a) Función escalón unitario. (b) Función signo. (c) Función signo
aproximada con función exponencial. (d) Magnitud del espectro de Fourier de la
función escalón unitario.
55
Figura 3.10: Impulso desplazado en la frecuencia.
1 ∞ jω0 t
Z
+ e−jω0 t e−jωt dt,
F[f (t)] = e
2 −∞
1 ∞ −j(ω−ω0 )t 1 ∞ −j(ω+ω0 )t
Z Z
= e dt + e dt,
2 −∞ 2 −∞
= π [δ(ω − ω0 ) + δ(ω + ω0 )] . (3.45)
(Figura 3.11(b)):
1 ∞ jω0 t
Z
− e−jω0 t e−jωt dt,
F[f (t)] = e
2j −∞
1 ∞ −j(ω−ω0 )t 1 ∞ −j(ω+ω0 )t
Z Z
= e dt − e dt,
2j −∞ 2j −∞
= jπ [δ(ω + ω0 ) − δ(ω − ω0 )] . (3.46)
56
Figura 3.11: (a) Transformada de Fourier de una función coseno. (b) Transformada
de Fourier de una función seno.
son:
0 < t < ∞, es decir, para funciones con tiempo positivo, mientras que la
tiempo.
R∞
Para una función f (t) = 0 para t<0 y
0
|f (t)| dt < ∞, las dos transfor-
F (ω) = F (s)|s=jω ,
j −1 = −j .
Las frecuencias son la parte real y la parte disipativa es la parte imaginaria.
57
lo tanto, la transformada de Laplace está relacionada para todo el plano s,
mientras que la transformada de Fourier está restringida para el plano jω .
de Laplace.
en problemas estáticos.
3.6. Sumario
La transformada de Fourier descompone una función no periódica f (t) en
Z ∞
−1 1
f (t) = F [F (ω)] = F (ω)ejωt dω.
2π −∞
58
Propiedad f (t) F (ω)
Linealidad a1 f1 (t) + a2 f2 (t) a1 F1 (ω) + a2 F2 (ω)
1
Escalamiento f (at) |a|
F ωa
Desplazamiento en tiempo f (t − t0 ) e−jωt0 F (ω)
jω0 t
Desplazamiento en frecuencia f (t)e F (ω − ω0 )
(n)
Diferenciación en tiempo f (t) (jω)n F (ω)
Rt F (ω)
Integración en tiempo
−∞
f (t)dt jω
+ πF (0)δ(ω)
Inversión f (−t) F (−ω) ó F ∗ (ω)
Dualidad f (t) 2πf (−ω)
de la frecuencia:
f (t) F (ω)
δ(t) 1
δ(t − t0 ) e−jωt0
A A2δ(ω)
1
u(t) πδ(ω) + jω
u(t + τ ) − u(t − τ ) 2 sin(ωτ
ω
)
2
sgn(t) jω
cos(ω0 t) π[δ(ω − ω0 ) + δ(ω + ω0 )]
sin(ω0 t) jπ[δ(ω + ω0 ) − δ(ω − ω0 )]
−αt 1
e u(t) α+jω
59
3.7. Ejercicios
Encontrar la transformada de Fourier de la siguiente función y gracar su
t 0<t<1
f (t) =
0 otro caso
60
4. Transformada de Fourier discreta
4.1. Denición
En la práctica, usualmente se desea obtener el espectro de Fourier de señales
N puntos separados por un intervalo T, esto es, una secuencia nita de datos,
como se muestra en la Figura 4.1(a). Por lo tanto, la DFT trata con una señal
2π
ωu = u, u = 0, 1, . . . , N − 1, (4.1)
NT
donde u es la variable de frecuencia.
N −1
X j2πuk
F[f (k)] = F (u) = f (k)e− N , para u = 0, 1, . . . , N − 1, (4.2)
k=0
N −1
−1 1 X j2πuk
F [F (u)] = f (k) = F (u)e N , para k = 0, 1, . . . , N − 1. (4.3)
N u=0
61
(a)
(b)
Figura 4.1: (a) Una señal continua muestreada uniformemente con intervalo T.
(b) Periodicidad asumida de una señal muestreada.
donde q
|F (u)| = Re2 [F (u)] + Im2 [F (u)] (4.6)
y
−1 Im[F (u)]
ϕ(u) = tan (4.7)
Re[F (u)]
son la magnitud y el ángulo de fase, respectivamente. En la Figura 4.2 se muestra
62
la magnitud del espectro DFT de un pulso rectangular.
Además, la DFT es simétrica conjugada, de modo que el espectro posee una si-
lo de fase posee una simetría impar con respecto al origen, es decir, −ϕ(u) = ϕ(−u),
Por otro lado, debido a que (4.2) representa una combinación lineal, esta puede
1 1 1 1 ··· 1 f (0) F (0)
N −1
1 WN WN2 WN3 · · · WN f (1) F (1)
WN2 WN4 WN6 · · · WNN −2
1
f (2) =
F (2)
. . . . .. . . .
. . . . . . .
. . . . . . . .
1 WNN −1 WNN −2 WNN −3 · · · WN f (N − 1) F (N − 1)
(4.8)
como:
N
X −1
F[f (k)] = F (u) = f (k)WNuk , para u = 0, 1, . . . , N − 1, (4.9)
k=0
63
Figura 4.3: DFT de un pulso rectangular: (a) Magnitud del espectro con simetría
par y (b) espectro de fase con simetría impar.
N −1
1 X
F −1
[F (u)] = f (k) = F (u)WN−uk , para k = 0, 1, . . . , N − 1. (4.10)
N u=0
4.1.1. Ejemplo
π 1
5 + 2 cos 2πk −
f (k) = |{z} + 3 cos (4πk), donde t = kTs = k .
2 } | 2Hz {z } fs
DC | {z
1Hz
Al evaluar los puntos muestreados se tiene que la señal discreta está compuesta
F (u) = [28, 5.23 + j0.89, 0.76 + j9.95, 0.76 − j9.95, 5.23 − j0.89]
como se muestra en la Figura 4.4(b). Nótese que los coecientes son complejos y
indica la simetría del espectro para un periodo; por lo tanto, es usual gracar solo
64
Figura 4.4: (a) Señal continua y su versión discreta. (b) Coecientes de Fourier
normalizados |F (u)|/N . (c) Coecientes de Fourier centrados en el origen.
la mitad del periodo del espectro de magnitud, es decir, en el intervalo [0, N/2].
Asimismo, es común gracar un periodo del espectro en el intervalo [−N/2, N/2],
de modo que la componente DC queda centrada en el origen evidenciando así la
el número de puntos, de modo que la señal discreta se aproximará cada vez más a
la señal original y, por lo tanto, el cálculo de los coecientes de Fourier será cada
65
Figura 4.5: Espectro de Fourier de la señal la Figura 4.4 para las frecuencias de
muestreo (a) fs = 8 Hz, (b) fs = 16 Hz y (c) fs = 32 Hz.
4.2. Propiedades
Las propiedades de la DFT son equivalentes a las propiedades de la transfor-
66
4.3. Funciones de ventana
La DFT asume que la señal de entrada es nita y representa un periodo de
una señal periódica. De esta manera, tanto el dominio del tiempo como el dominio
nal de una señal están conectados. Por lo tanto, cuando la señal es periódica y se
registra durante un número no entero de periodos, los puntos nales son discon-
Figura 4.7.
los límites de una señal discreta. La amplitud de una función de ventana varía
Figura 4.6: Topología circular de la DFT y su inversa: (a) Señal periódica f (k) =
2 + sin(2k − π2 ) + cos( k2 ) − 2 cos2 (2k + π4 ) registrada durante un periodo completo en
el rango [0, 4π], y su representación circular. (b) Magnitud del espectro de Fourier
y su representación circular.
67
Figura 4.7: (a) Señal periódica f (k) registrada durante una fracción de un perio-
do, donde se observa una discontinuidad en los puntos nales. (b) Magnitud del
espectro de Fourier donde se observan componentes de alta frecuencia producto
de la discontinuidad de f (k).
Figura 4.8: (a) Señal original multiplicada por una función de ventana w(k).
(b) Magnitud del espectro de Fourier donde se observa que la amplitud de com-
ponentes de alta frecuencia es cero.
gradualmente desde cero hasta un valor máximo a partir de sus límites, la cual es
multiplicada por la señal discreta discontinua. Esto hace que los puntos nales de
68
Tabla 4.2: Funciones de ventana w(k) y sus respuestas en frecuencia W (u) para
0 ≤ n ≤ N − 1, donde a0 , . . . , a4 son coecientes, e I0 es la función Bessel de orden
cero.
a0 − (1 − a0 ) cos 2πn
Hamming
N
0.5 1 − cos 2πn
Hann
N
q 2
Kaiser I0 a0 π 1 − N − 12n
· (I0 (a0 π))−1
que los componentes de frecuencia de una señal varían con el tiempo, mientras
M −1
X j2πuk
Fm (u) = f (k) w (k − mR) e− M , para u = 0, 1, . . . , M, (4.11)
k=0
donde f (k) es una señal y w(k) denota una función de ventana con M puntos, R
es el tamaño de salto entre DFT sucesivos tal que el espectro Fm (u) es la DFT
de una señal en ventana centrada en el tiempo mR. Nótese que (4.11) indica que
decir, aunque una ventana estrecha da como resultado una mejor resolución en el
69
Figura 4.9: Ilustración gráca de la DFT de corta duración.
tica, sonar, radar, procesamiento del habla, sismología, entre otros. Por ejemplo, en
la Figura 4.11 se muestran los espectrogramas para los audios de las cinco vocales,
70
Figura 4.10: Comparación de resolución STFT. La izquierda tiene una mejor re-
solución de tiempo y la derecha tiene una mejor resolución de frecuencia.
0.5 4000 20
A 0
-20
0 2000
-40
-60
-0.5 0 -80
0.5 4000 20
E 0
-20
0 2000
-40
-60
-0.5 0 -80
0.5 4000 20
I 0
-20
0 2000
-40
-60
-0.5 0 -80
0.5 4000 20
O 0
-20
0 2000
-40
-60
-0.5 0 -80
0.5 4000 20
U 0
-20
0 2000
-40
-60
-0.5 0 -80
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.05 0.1 0.15 0.2 0.25 0.3
71
Figura 4.12: (a) Pulso rectangular en dos dimensiones. (b) Magnitud del espectro
de Fourier en dos dimensiones.
M −1 N −1
ux vy
f (x, y)e−j2π( M + N ) ,
X X
F[f (x, y)] = F (u, v) = (4.13)
x=0 y=0
v = 0, 1, 2, . . . , N − 1.
Dada la transformada F (u, v), se puede obtener f (x, y) usando la transformada
inversa de Fourier discreta (2D-IDFT):
M −1 N −1
1 XX ux vy
F −1
[F (u, v)] = f (x, y) = F (u, v)ej2π( M + N ) , (4.14)
M N u=0 v=0
4.5.1. Propiedades
72
Periodicidad: La 2D-DFT y su inversa son innitamente periódicas en las
direcciones u y v, esto es:
u0 x v0 y
f (x, y)ej2π( M
+ N ) ⇔ F (u − u , v − v )
0 0 (4.17)
y
ux0 vy
f (x − x0 , y − y0 ) ⇔ F (u, v)e−j2π( M
+ N0 ). (4.18)
Esto es, multiplicar f (x, y) por una exponencial compleja, desplaza el ori-
gen del espectro al punto (u0 , v0 ) y, inversamente, multiplicar F (u, v) por el
(x+y) M N
f (x, y)(−1) ⇔F u − ,v − . (4.19)
2 2
73
lo cual indica que rotar f (x, y) por un ángulo θ0 , también se rota F (u, v)
por el mismo ángulo. Inversamente, rotar F (u, v) implica rotar f (x, y) por
el mismo ángulo.
Figura 4.13: (a) Pulso rectangular sin rotación (θ0 = 0). (b) Espectro de Fourier
cuyo origen fue trasladado a (u0 , v0 ) = (M/2, N/2). (c) Pulso rectangular con
rotación de θ0 = π/4. (d) Espectro de Fourier rotado con θ0 = π/4.
74
4.5.2. Magnitud y ángulo de fase
polar como:
donde la magnitud es
q
|F (u, v)| = Re2 [F (u, v)] + Im2 [F (u, v)] (4.22)
y el ángulo de fase es
−1 Im [F (u, v)]
ϕ(u, v) = tan . (4.23)
Re [F (u, v)]
lo cual implica que el espectro de magnitud posea simetría par con respecto al
origen:
mientras que el espectro de fase posee simetría impar con respecto al origen:
orientación. Por otro lado, la fase se ve afectada por la traslación y rotación del
pulso rectangular.
75
Figura 4.14: Pulso rectangular: (a) original, (b) rotado y (c) trasladado. Magni-
tud: (d) original, (e) rotado y (f ) trasladado. Fase: (g) original, (h) rotado y (i)
trasladado.
que no existe ningún detalle visual que pueda asociarse con las estructuras de su
76
usando solamente su ángulo de fase. La reconstrucción consiste en calcular la 2D-
M −1 N −1
X ux
X vy
F (u, v) = e−j2π M f (x, y)e−j2π N (4.29)
x=0 y=0
y
M −1 N −1
1 X j2π ux X vy
f (x, y) = e M F (u, v)ej2π N . (4.30)
M N u=0 v=0
77
Figura 4.15: (a) Imagen original cameraman. (b) Ángulo de fase. (c) Ima-
gen cameraman reconstruida usando solamente su ángulo de fase. (d) Ima-
gen cameraman reconstruida usando solo su espectro de magnitud. (e) Imagen
cameraman reconstruida usando su ángulo de fase y el espectro de magnitud del
pulso rectangular en la Figura 4.14(a). (f ) Imagen de pulso rectangular reconstrui-
da usando su ángulo de fase y el espectro de magnitud de la imagen cameraman.
mensional como:
N −1 N −1
−j2π vy ux
X X
F (u, v) = F (u, y)e N donde F (u, y) = f (x, y)e−j2π N , (4.31)
y=0 x=0
N −1 N −1
1 X ux 1 X vy
f (x, y) = f (u, y)ej2π N donde f (u, y) = F (u, v)ej2π N . (4.32)
N u=0 N v=0
78
De este modo, la función F (u, y) se obtiene aplicando la DFT unidimensional
transforman las las de F (u, v) para obtener f (u, y) y después se transforman las
inglés) es un algoritmo creado por Cooley y Tukey en 1965 que reduce los cálculos
79
aprovechar estas propiedades para reducir el número de operaciones:
pares y otro de índices impares para realizar dos DFTs de tamaño N/2, y entonces
combina sus resultados para formar la DFT de N puntos. Esto se puede realizar
N/2−1 N/2−1
X X
uk
F (u) = f (2k)WN/2 + WNu uk
f (2k + 1)WN/2 ,
k=0 k=0
= E(k) + WNu O(k), (4.33)
donde E(k) es la DFT para índices pares (even ) y O(k) es la DFT para índices im-
pares (odd ). Finalmente, de acuerdo con la propiedad de simetría WN
a+N/2
= −WNa
se tiene:
términos de dos DFTs de tamaño N/2. Nótese que las salidas nales son obtenidas
mediante combinaciones +/− de E(k) y WNu O(k), lo cual es una DFT simple de
tamaño dos, como se muestra en la Figura 4.17.
En el Algoritmo 4.1 se muestra una versión iterativa del algoritmo DIT para
una señal con N = 2n puntos. Para calcular la inversa FFT (IFFT), se usa el
para distribuir los puntos de la señal en índices pares e impares, lo cual se logra
80
f(0) + + + F(0)
W20
f(4) ×
−1
+ + + F(1)
W 40
f(2) + ×−1 + + F(2)
W20 W 41
f(6) ×
−1
+ ×
−1
+ + F(3)
W80
−1
f(1) + + × + F(4)
W20 W81
−1
f(5) ×
−1
+ + × + F(5)
W 40 W82
−1
f(3) + ×−1 + × + F(6)
W20 W 41 W83
−1
f(7) ×
−1
+ ×
−1
+ × + F(7)
Figura 4.17: Diagrama del ujo de datos del algoritmo DIT para N = 8. La
secuencia de entrada de tamaño N se divide en dos DFTs de tamaño N/2, seguido
por una etapa de combinación de varias DFTs de tamaño dos llamada operaciones
`mariposa' ( buttery ).
81
Algoritmo 4.2: Pseudocódigo del algoritmo Gold-Rader.
Input: Array g of size N = 2n
Output: Reordered array g
1 j←0
2 for (i = 0; i < N ; i + +) do
3 k = N/2
4 if (i < j) then
5 swap g(i) and g(j)
6 end
7 while (k ≤ j) do
8 j ←j−k
9 k ← k/2
10 end
11 j ←j+k
12 end
señal de entrada debe ser una potencia entera de dos. Cuando esto no se cumple,
longitud a la siguiente potencia entera de dos. Por ejemplo, si una señal tiene
N = 1000 puntos, entonces se deben agregar 24 ceros después del último punto
4.7. Sumario
El par de transformadas Fourier discretas (DFT) son:
N −1
X j2πuk
F[f (k)] = F (u) = f (k)e− N , para u = 0, 1, . . . , N − 1,
k=0
N −1
−1 1 X j2πuk
F [F (u)] = f (k) = F (u)e N , para k = 0, 1, . . . , N − 1.
N u=0
82
Figura 4.18: (a) Pulso rectangular original. (b) DFT calculada mediante (4.8).
(c) Pulso rectangular con rellenado de ceros al nal de la secuencia original (línea
naranja). (d) DFT calculada mediante el algoritmo FFT DIT.
inversa, primero se transforman las las y después las columnas para la ob-
este criterio, se deben agregar ceros al nal de la señal hasta que su longitud
83
4.8. Ejercicios
Los siguientes ejercicios de programación se deberán implementar en Matlab
u Octave :
el reversamiento de bits.
84
5. Aplicaciones en imágenes digitales
la interacción de dos funciones para generar una tercera función que representa
∞
X
g (n) = (h ∗ f ) (n) = h(k)f (n − k), (5.1)
k=−∞
g (x, y) = (h ∗ f ) (x, y) ,
X a X b
= h (i, j) f (x − i, y − j), (5.2)
i=−a j=−b
1. Dada una máscara de convolución h(x, y), rotarla 180◦ a partir de su origen.
85
4. Repetir los pasos 2 y 3 hasta haber recorrido todos los píxeles de la imagen.
multiplicaciones para ltrar todos los píxeles de la imagen. Por lo tanto, el costo
el tamaño de la imagen.
función de ltrado. Los arreglos F (u, v), H(u, v) y g(x, y) son de tamaño M × N ,
pasos básicos:
con (4.19).
86
2. Calcular la 2D-DFT de la imagen resultante del paso 1 para obtener F (u, v).
3. Multiplicar F (u, v) por una función de ltro H(u, v) para obtener G(u, v).
detectar los bordes de los objetos, se requiere un ltro paso alto, es decir, la función
H(u, v) debe atenuar las frecuencias bajas que están relacionadas con los cambios
ilustra un ejemplo de la respuesta en frecuencia de los ltros paso bajo y paso alto.
Figura 5.2: Respuesta en frecuencia de los ltros paso bajo y paso alto, donde D0
es la frecuencia de corte y b es el ancho de banda del ltro.
( " 2 2 #)
1 M N
Hlp (u, v) = exp − 2 u− + v− , (5.4)
2D0 2 2
donde M y N son el ancho y alto de la imagen de entrada. A partir del ltro paso
87
Figura 5.3: Filtros Gaussianos con diferentes frecuencias de corte D0 . Renglón
superior: ltros paso bajo. Renglón inferior: ltros paso alto.
La Figura 5.3 muestra la forma que tienen los ltros Gaussianos paso bajo y paso
alto para diferentes puntos de corte. Nótese que a medida que el valor del punto de
corte disminuye, el ancho de banda del ltro también se reduce, haciendo el ltro
paso alto, para la detección de bordes. En el caso del ltro paso bajo, la imagen
alta frecuencia fueron atenuadas. Por otro lado, en el caso del ltro paso alto, la
para efectos de visualización en las Figuras 5.4(b) y (e), el rango dinámico del
88
(a) (b) (c)
debe generar la imagen segmentada en la Figura 5.5(b), donde todos los píxeles de
89
(a) (b)
Figura 5.5: (a) Imagen con cinco regiones de texturas. (b) Imagen segmentada.
se debe describir cada píxel f (x, y) para generar un vector representado por
Para caracterizar los patrones de textura, se utilizan ltros paso banda que
cubren una banda de frecuencias especíca del espectro de Fourier, de manera que
que se preservan.
Los ltros de Gabor son un tipo de ltros paso banda muy utilizados para
90
Figura 5.6: Renglón superior: imágenes de las texturas que componen la imagen
en la Figura 5.5. Renglón inferior: correspondientes espectros de magnitud.
ŝ2 + γ t̂2
ŝ
h(s, t) = exp − exp j 2π + φ , (5.7)
2σ 2 λ
donde
coecientes del ltro de Gabor son números complejos, donde la parte real es la
1 (û − uk )2 v̂ 2 1 (û + uk )2 v̂ 2
H(u, v) = exp − + 2 + exp − + 2 , (5.8)
2 σu2 σv 2 σu2 σv
91
Figura 5.7: Filtro de Gabor 2D, partes real (izquierda) e imaginaria (derecha).
r
1 ln 2 2b + 1
σb = . (5.9)
2uk 2 2b − 1
Nótese que el ltro en (5.8) está compuesto de dos funciones Gaussianas desplaza-
das simétricamente del origen a las frecuencias radiales uk y −uk , como se muestra
en la Figura 5.8(a).
(a) (b)
Figura 5.8: (a) Filtro de Gabor en el dominio de la frecuencia. (b) Banco de ltros
π
de Gabor superpuestos con θ0 = y b = 1.
4
92
Debido a que los patrones de textura pueden tener armónicos de alta energía
√ √ √ √
20 2, 21 2, 22 2, . . . , 2⌊log2 (Nc /4)⌋ 2. (5.10)
de manera que a medida que aumenta el valor de uk (i.e., se aleja del origen), el
ancho de banda del ltro también aumenta para cubrir mayor área del espectro.
descrito por un vector de características con 21 elementos para este caso particular.
preprocesados para suavizar las respuestas de textura usando el ltro paso bajo
la frecuencia radial uk especíca del canal de textura que será ltrado. A mayor
calcula como:
Nc
D0 = κ , (5.11)
uk
donde κ es una constante que controla el ancho del ltro. En la Figura 5.10 se mues-
tran los canales de textura suavizados mediante ltros Gaussianos. En el renglón
banda del ltro Gaussiano disminuye. También observe que cada ltro Gaussiano
se aplica sobre todas las orientaciones dada una frecuencia radial especíca.
93
Figura 5.9: Filtrado de la imagen en la Figura 5.5(a) usando el banco de ltros de
Gabor en la Figura 5.8(b) para generar 21 canales de textura.
94
Figura 5.10: Efecto del ltrado Gaussiano sobre los canales de textura.
zi − µi
zi′ = , para i = 1, 2, . . . , d + 2, (5.13)
σi
matriz Z .
95
π
Figura 5.11: Imagen de textura segmentada con k -medias usando θ0 = 4
. Se mues-
tra el efecto en la segmentación al variar los parámetros b y κ.
de textura similares.
goritmo k -medias.
corresponde.
96
En la Figura 5.11 se muestra el resultado de segmentar la imagen en la Figura 5.5(a)
variar los valores del ancho de banda b y factor de suavidad κ se obtienen distintas
respuestas de segmentación.
identicar objetos en imágenes. Cuando los humanos miramos una imagen, pode-
es enseñarle a una computadora a hacer lo que es natural para los humanos: ob-
ejemplo, en la Figura 5.12 se muestra una fotografía de una cebra segmentada por
x = [x1 , x2 , . . . , xd ], (5.14)
extraen del borde de los objetos para describir su forma. Un píxel del borde es
aquel que tiene al menos un píxel vecino del fondo, i.e., un píxel negro.
97
(a) Eje real
0 100 200 300 400
0
50
Eje imaginario
100
150
200
250
(b) (c)
Figura 5.12: (a) Fotografía de una cebra. (b) Imagen segmentada para obtener la
forma binaria de la cebra. (c) Borde de la forma binaria obtenido con un algoritmo
de seguimiento de contorno.
de contorno que devuelve la lista de coordenadas de los píxeles del borde orde-
parte real está dada por la coordenada en x y la parte imaginaria por la coordenada
en y, como se muestra en la Figura 5.12(c). Por lo tanto, el borde del objeto se
98
del espectro de Fourier obtenidos mediante la DFT de la secuencia compleja s(k):
np −1
− j2πuk
X
a(u) = s(k)e n p , para u = 0, 1, . . . , np − 1. (5.16)
k=0
Figura 5.13. Observe que las frecuencias altas contienen detalles nos y ruido del
contorno del objeto, mientras que las frecuencias bajas contienen la información
global de la forma del objeto. Esto indica que unos pocos coecientes de frecuencia
99
las posibles transformaciones geométricas que un objeto puede sufrir, es decir, el
valor numérico del descriptor debe ser aproximadamente igual aun si el tamaño o
np −1
− j2πuk
X
at (u) = (s(k) + t)e n p ,
k=0
np −1 np −1
− j2πuk − j2πuk
X X
= s(k)e n p + te np ,
k=0 k=0
np −1
− j2πuk
X
= a(u) + te n
p . (5.18)
k=0
u=0 (i.e., componente DC), como se describió en la Sección 3.4.2. Por lo tanto,
a(u) + n t si u = 0,
p
at (u) = (5.19)
a(u) si u > 0,
coordenado.
la secuencia s(k) por un factor α > 0, tal que sα (k) = αs(k). Sustituyendo αs(k)
100
-100
-200 Eje real
Eje imaginario 100 200 300
50
-100 -50
Eje imaginario
Eje imaginario
-200 -100 100 200 300 400 100
100 200 300 400 500 600
Eje real 0
150
100 Eje real
200
200 50
300
(a) (b) 100 (c)
Figura 5.14: (a) Centralización del objeto al origen del plano coordenado. (b) El
coeciente a(1) reconstruye un círculo con la misma área del objeto. (c) La mag-
nitud de los coecientes reconstruyen un objeto cuyo eje mayor es paralelo al eje
horizontal.
en (5.18) se tiene:
np −1
− j2πuk
X
aα (u) = αs(k)e n p ,
k=0
np −1
− j2πuk
X
= α s(k)e n
p ,
k=0
= αa(u). (5.20)
decir, el factor α afecta a todos los coecientes a(u) por igual, para u ≥ 0.
El coeciente a(1) reconstruye un círculo con la misma área del objeto, como
realiza dividiendo todos los coecientes complejos sobre la magnitud de a(1) como:
a(u)
a(u) = , para u ≥ 0. (5.21)
∥a(1)∥
cuencia s(k) por un ángulo θ, tal que sθ (k) = s(k)ejθ . Sustituyendo sθ (k) en (5.18)
101
se tiene:
np −1
− j2πuk
X
aθ (u) = s(k)ejθ e n p ,
k=0
np −1
− j2πuk
X
jθ
= e s(k)e n p ,
k=0
jθ
= a(u)e . (5.22)
La expresión en (5.22) indica que la rotación afecta a todos los coecientes por igual
los coecientes:
la Figura 5.14(c). Observe que se pierde la forma original del objeto, aunque se
propósitos de reconocimiento.
Eje imaginario
Eje imaginario
Eje imaginario
Amplitud
Amplitud
Amplitud
0 0 0 0
10
11
12
13
14
15
10
11
12
13
14
15
10
11
12
13
14
15
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
Los descriptores de Fourier pueden considerarse como una rma espectral del
102
borde del objeto, que deben presentar respuestas invariantes para objetos de la
tra en la Figura 5.15. Por otro lado, los descriptores de Fourier son discriminantes
para objetos diferentes, es decir, las rmas espectrales presentan distribuciones
Eje imaginario
Eje imaginario
Eje imaginario
100
100
200
100 200
100
300
300
200 400
400 200
500
Amplitud
Amplitud
Amplitud
0.3 0.3 0.3 0.3
0 0 0 0
10
11
12
13
14
15
10
11
12
13
14
15
10
11
12
13
14
15
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
Características Características Características Características
Resumiendo los pasos básicos para extraer los descriptores de Fourier de una
2. Extraer los píxeles del borde del objeto con un algoritmo de seguimiento de
contorno.
3. Expresar el borde del objeto como una secuencia s(k) de números complejos.
jos a(u).
103
c) Invarianza a rotación: calcular la magnitud de los coecientes a(u).
ticasx = [a(2), a(3), . . . , a(p + 2)]. Nótese que los coecientes normalizados
to). Después, se puede utilizar el algoritmo de los k -vecinos más cercanos (kNN)
selecciona a sus k vecinos más cercanos, y asigna xtest a la clase más frecuente
5.4. Sumario
El ltrado de una señal en el dominio de la frecuencia se basa en el teorema
de convolución.
El ltro paso bajo atenúa frecuencias altas y se utiliza para suavizar imágenes
y reducir ruido.
El ltro paso alto atenúan frecuencias bajas y se utiliza para detectar bordes
en imágenes.
Los ltros de Gabor son ltros paso banda con propiedades multi-escala y
orientación selectiva.
de Fourier.
Los descriptores de Fourier son útiles para caracterizar la forma de los ob-
104
5.5. Ejercicios
Los siguientes ejercicios de programación se deberán implementar en Matlab
u Octave :
cia de corte D0 y un tipo de ltro Gaussiano: paso bajo y paso alto. Analizar
105
Bibliografía
USA, 1987.
[3] Eleanor Chu. Discrete and Continuous Fourier Transform. Analysis, Applica-
tions and Fast Algorithms. CRC Press, Boca Raton, USA, 2008.
[4] Rafael C. Gonzalez and Richard E. Woods. Digital Image Processing. 4th Edi-
tion. Pearson, New Jersey, USA, 2017.
106