傅里叶变换，不过就是换了一个坐标系

为什么一个看起来极其复杂的信号，可以被拆成一堆正弦波？为什么傅里叶变换能把“时域”变成“频域”？

如果从线性代数的角度来看，这件事情其实没有那么神秘：傅里叶变换，本质上就是一次坐标分解。

第一次学习傅里叶变换时，我们通常会遇到一个非常恐怖的公式：

$F(\omega) = \int_{-\infty}^{+\infty} f(t)e^{-i\omega t}\,dt$

然后老师告诉你“这就是傅里叶变换”。于是很多人开始：背公式 → 套公式 → 做积分 → 考试结束 → 忘了。但真正的问题其实一直没有解决：这个积分到底在干什么？

理解傅里叶变换最好的入口之一，不是积分，而是我们非常熟悉的东西：坐标系。

1. 核心思想：坐标，就是一个对象在不同基底上的分量

假设二维空间里有一个向量 $\mathbf v = [3, 2]^\top$ 。为什么我们说它的坐标是 $(3,2)$ ？因为我们默认使用了两个基向量 $\mathbf e_1 = [1,0]^\top$ 和 $\mathbf e_2 = [0,1]^\top$ ，于是：

$\mathbf v = 3\mathbf e_1 + 2\mathbf e_2$

所谓坐标 $(3,2)$ ，真正的意思是“这个向量包含 3 份 $\mathbf e_1$ ，以及 2 份 $\mathbf e_2$ ”。也就是说：

坐标，本质上就是一个对象在不同基底上的分量。

二维平面并不只有 $\mathbf e_1, \mathbf e_2$ 这一套基。我们完全可以选新的基 $\mathbf u_1, \mathbf u_2$ ，把同一个向量写成 $\mathbf v = a\mathbf u_1 + b\mathbf u_2$ ——向量没有改变，改变的只是我们描述它的方式。这就是换基（Change of Basis）。

**怎么知道一个向量在某个方向上有多少分量？**如果基底是标准正交基，那么坐标系数 = 与基底做内积（也就是投影）：

$\boxed{\text{坐标系数} = \text{与基底做内积}}$

记住这一句话——因为傅里叶变换的那个“大积分”，其实就是在干这个。

2. 从向量到函数：函数也是无限维空间中的向量

我们平时认为 $\mathbf v = (x,y,z)$ 是向量。但函数其实也可以看成向量：如果在很多位置 $t_1, t_2, ..., t_n$ 采样 $f(t)$ ，就可以写成 $[f(t_1), f(t_2), ..., f(t_n)]$ ——这不就是一个高维向量吗？如果采样越来越密（ $n \to \infty$ ），函数就可以理解成无限维空间中的一个向量，这个空间通常称为函数空间（Function Space）。

函数空间同样需要“坐标系”——也就是一组基函数。傅里叶的想法就是：用不同频率的正弦波和余弦波作为基：

$1, \quad \cos x,\ \sin x, \quad \cos 2x,\ \sin 2x, \quad \cos 3x,\ \sin 3x, \ldots$

于是复杂函数 $f(x)$ 就可以写成：

$f(x) = a_0 + a_1\cos x + b_1\sin x + a_2\cos 2x + b_2\sin 2x + \cdots$

这就是傅里叶级数。把它和 $\mathbf v = a\mathbf e_1 + b\mathbf e_2$ 放在一起，你会发现它们几乎是一回事：

线性代数                傅里叶分析
向量                    函数
  ↓                       ↓
选择基底                选择正弦/余弦基底
  ↓                       ↓
求坐标                  求傅里叶系数

$\boxed{\text{傅里叶级数，就是函数空间中的坐标展开}}$

3. 为什么偏偏是 sin 和 cos？正交性

因为我们希望基底之间尽量互不干扰。在线性代数中，最舒服的情况是正交基（ $\mathbf e_1 \cdot \mathbf e_2 = 0$ ），这样求坐标特别简单。而不同频率的三角函数也具有类似性质——在 $[-\pi, \pi]$ 上：

$\int_{-\pi}^{\pi} \sin(mx)\sin(nx)\,dx = 0 \ (m \neq n), \quad \int_{-\pi}^{\pi} \sin(mx)\cos(nx)\,dx = 0$

这就是函数之间的正交性。所以不同频率 $\sin(x), \sin(2x), \sin(3x), ...$ 就像二维空间中的 x 轴、y 轴——它们是不同的“方向”。

**函数怎么做“点积”？**普通向量内积 $\mathbf a \cdot \mathbf b = \sum_i a_i b_i$ ，维度无限增加时求和就自然变成积分：

$\langle f, g \rangle = \int f(x)g(x)\,dx \quad \Rightarrow \quad \boxed{\text{积分可以理解成无限维向量的内积}}$

这一下，傅里叶系数的公式就不神秘了。

4. 傅里叶系数 = 把函数投影到频率基底上

例如：

$a_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\cos(nx)\,dx$

它其实就是 $a_n \propto \langle f, \cos(nx) \rangle$ ——把函数 $f$ 投影到 $\cos(nx)$ 这个方向上。所以 $a_n$ 表示 $f(x)$ 里面到底含有多少频率为 $n$ 的 cosine 成分。同理 $b_n = \frac{1}{\pi}\int f(x)\sin(nx)\,dx$ 就是 $f(x)$ 在 $\sin(nx)$ 方向上的坐标。

我们平常看信号 $f(t)$ 横轴是时间 $t$ ，这叫时域（Time Domain）。但傅里叶告诉我们：可以换一个坐标系——新的坐标轴不是时间，而是频率。于是同一个信号变成频域表示：

$\boxed{\text{时域} \to \text{频域} \text{ 不是把信号变成另一个东西，而是换了一种坐标表示}}$

一个音乐例子：钢琴同时弹 440Hz 和 880Hz，麦克风记录到的时域波形是一条非常复杂的曲线；但傅里叶变换以后，频谱上立刻看到两个尖峰（440 和 880）——傅里叶变换回答的是：“这个复杂信号到底由哪些频率组成？”

5. 从傅里叶级数到傅里叶变换，以及为什么出现复数

傅里叶级数主要处理周期函数，允许出现的频率是离散的（ $\omega_0, 2\omega_0, 3\omega_0, ...$ ），频谱是一根根离散的线。但如果是非周期函数，可以让周期 $T \to \infty$ ，基本频率 $\omega_0 = 2\pi/T \to 0$ ，离散频率点逐渐变密，最终变成连续频率。于是傅里叶级数的“求和” $\sum_n$ 自然变成“积分” $\int d\omega$ ——这就是傅里叶变换。

那为什么会突然出现复数 $e^{-i\omega t}$ ？其实只是为了把 $\sin$ 和 $\cos$ 统一起来。根据欧拉公式 $e^{i\theta} = \cos\theta + i\sin\theta$ ， $e^{i\omega t}$ 本质上同时包含 $\cos(\omega t)$ 和 $\sin(\omega t)$ ——原本需要写“cos + sin”，现在一个 $e^{i\omega t}$ 就解决了。

6. 重新看公式：变换与逆变换

回到一开始那个公式：

$\boxed{F(\omega) = \int_{-\infty}^{+\infty} f(t)e^{-i\omega t}\,dt}$

现在它已经不神秘了： $e^{i\omega t}$ 是频率为 $\omega$ 的基函数， $\int f(t)e^{-i\omega t}dt$ 就是内积 / 投影。所以 $F(\omega)$ 实际上是“函数 $f(t)$ 在频率 $\omega$ 这个基底方向上的坐标”——也就是 $f(t)$ 中含有多少 $\omega$ 频率。

傅里叶逆变换呢？既然正变换是“求坐标”，逆变换当然就是“乘回基底、重新组合、恢复原函数”：

$f(t) = \frac{1}{2\pi}\int_{-\infty}^{+\infty} F(\omega)e^{i\omega t}\,d\omega$

本质就是 $\text{坐标} \times \text{基向量} \to \text{恢复原向量}$ ，和 $\mathbf v = v_1\mathbf e_1 + v_2\mathbf e_2 + \cdots$ 没有本质区别。

**为什么傅里叶变换如此有用？**因为一个问题在某个坐标系里很复杂，换个坐标系可能突然变简单——时域里纠缠不清的复杂信号，到频域里结构突然清晰。

7. 推广：图像、DFT 与 FFT

图像本质上是二维函数 $f(x,y)$ ，同样可以做二维傅里叶变换。频域里低频对应大面积颜色变化、光照、平滑结构；高频对应边缘、纹理、细节、噪声。这就是傅里叶分析在图像压缩、去噪、增强、计算机视觉、信号处理中如此重要的原因。

DFT（离散傅里叶变换）：计算机无法处理连续信号，得到的是有限个采样点 $x_0, x_1, ..., x_{N-1}$ ，公式：

$X_k = \sum_{n=0}^{N-1} x_n e^{-i2\pi kn/N}$

不要被吓到——它仍然是在把离散信号投影到不同频率的基向量上，只是连续积分 $\int$ 变成了离散求和 $\sum$ 。还是坐标分解。

FFT（快速傅里叶变换）：注意 FFT 不是另一种傅里叶变换，而是快速计算 DFT 的算法——DFT 直接计算复杂度 $O(N^2)$ ，FFT 可以降低到 $O(N\log N)$ 。FFT 改变的是计算方式，不是傅里叶变换的数学目标。

Fourier Transform
   ├─ 连续情况：FT
   └─ 离散情况：DFT ──→ 快速计算 ──→ FFT

8. 统一视角：换坐标系，让隐藏的结构显现

现在把所有东西统一起来。普通线性代数： $\mathbf v = \sum_i a_i \mathbf e_i$ ，其中 $a_i = \langle \mathbf v, \mathbf e_i \rangle$ ；傅里叶分析： $f(t) = \int F(\omega)e^{i\omega t}d\omega$ ，其中 $F(\omega) = \langle f(t), e^{i\omega t} \rangle$ ——结构完全一致：

线性代数                傅里叶分析
Vector                  Function
选择 Basis             选择 Basis e^(iωt)
Inner Product          Inner Product
Coordinates            Spectrum
(v₁,v₂,v₃...)          F(ω)

所以傅里叶变换真正做的事情只有一句话：

$\boxed{\text{把函数从“时间基底”重新表示到“频率基底”}}$

更深的理解：傅里叶变换不是“变换信号”——原信号和频谱是同一个对象的两种表示（ $f(t)$ 和 $F(\omega)$ ），就像三维向量在坐标系 A 是 $(1,2,3)$ 、换到坐标系 B 是 $(2.1,-0.7,1.4)$ ，向量本身没有变，只是观察它的方式变了。

为什么“换坐标系”是数学中如此重要的思想？因为很多复杂问题并不是问题本身复杂，而是你选择的坐标系不合适：旋转问题用极坐标突然简单、周期信号用频域突然简单、量子力学用动量空间突然简单、矩阵用特征向量基变成对角矩阵。

复杂问题不一定需要更复杂的方法，有时候只需要换一个坐标系。傅里叶变换正是这个思想最漂亮的例子之一。

总结

如果第一次学习傅里叶变换，不要先记公式，先记住一句话：

傅里叶变换，不过就是坐标分解。

整个傅里叶体系就可以串起来：向量 → 基底 → 投影/内积 → 坐标；函数也是无限维向量 → sin/cos（或 $e^{i\omega t}$ ）作为新基底 → 与每个频率基底做内积 → 得到每个频率的坐标 → Fourier Transform → Frequency Spectrum。

因此：

傅里叶级数：周期函数在离散频率基底上的坐标分解；
傅里叶变换 FT：非周期函数在连续频率基底上的坐标分解；
DFT：有限离散信号的傅里叶坐标分解；
FFT：快速计算 DFT 的算法。

最后真正值得记住的不是公式，而是：

$\boxed{\text{傅里叶变换 = 换一套基底重新观察同一个对象}}$

很多时候数学所谓的“变换”，并不是把一个东西变成另一个东西，而是换一个视角，让原本隐藏的结构显现出来。

参考资料

漫士沉思录：《傅里叶变换，不过就是坐标分解而已》：https://www.bilibili.com/video/BV1eUHjzgEAd/
3Blue1Brown：形象展示傅里叶变换（Bilibili 有官方双语版）：https://www.youtube.com/watch?v=spUNpyF58BY
Stanford — The Fourier Transform and its Applications（系统学习课程）