当前位置：首页 > news >正文

当信号与系统遇见深度学习：我用傅里叶变换和拉普拉斯算子，看懂了CNN的本质

news 2026/6/10 23:45:26

当信号与系统遇见深度学习：我用傅里叶变换和拉普拉斯算子，看懂了CNN的本质

前言

最近在做一个信号与系统课程设计，题目是“基于CNN的人物图像特征提取——傅里叶变换与拉普拉斯变换的深度学习应用”。说实话，一开始看到这个题目我是懵的——傅里叶、拉普拉斯，这不是经典信号处理的内容吗？跟深度学习有什么关系？

但做完整个实验后，我发现了一个让我豁然开朗的事实：CNN里的卷积核，本质上就是一组“可学习的滤波器”，而傅里叶变换和拉普拉斯算子，正是理解这一切的钥匙。

这篇文章，我想把这个思考过程分享出来。如果你也在学信号与系统，或者刚开始接触CNN，希望能帮你打通两个知识体系之间的“任督二脉”。

一、信号与系统课里，我们学了什么？

信号与系统课程的核心思想其实很简单：把一个信号从不同角度去看。

时域：信号随时间怎么变化。
频域：信号由哪些频率成分组成。

傅里叶变换帮我们从时域跳到频域：

拉普拉斯变换更进一步，引入复频率 ( s = \sigma + j\omega )，在图像处理里，它的离散形式就是大家熟知的拉普拉斯算子：

在数字图像里，一个经典的拉普拉斯核（4邻域）长这样：

[[ 0, 1, 0], [ 1, -4, 1], [ 0, 1, 0]]

这个核的作用是什么？——边缘检测。它本质上是一个高通滤波器，能放大图像中灰度变化剧烈的地方。

而CNN的第一层卷积核，很多也长得像边缘检测算子。这难道是巧合吗？

二、实验一：用傅里叶变换“看”图像的频率

我们先拿一张人物图像（分辨率1080×1502），做二维离散傅里叶变换（2D-DFT）。

原始灰度图 → 幅度谱（对数变换后） → 相位谱

幅度谱的中心是低频成分（平滑区域），四周是高频成分（边缘、细节）。相位谱则保留了图像的结构信息。

接下来构造理想低通滤波器（截止半径80像素）和高通滤波器，分别乘到频域上，再反变换回空域：

低通滤波：图像变模糊，去除了噪声和细节。
高通滤波：只留下边缘和纹理，背景几乎消失。

这就是卷积定理的直观体现：

空域的卷积，等于频域的乘积。而CNN里的卷积层，做的就是这件事——只不过滤波器 ( h ) 不是手工设计的，而是从数据中学出来的。

三、实验二：用拉普拉斯算子检测边缘

拉普拉斯算子是二阶微分算子，对噪声敏感，所以实际常用**高斯-拉普拉斯（LoG）**先平滑再求导。

我们对比了三种算子：

4邻域拉普拉斯：对水平和垂直边缘敏感。
8邻域拉普拉斯：对斜向边缘也敏感。
LoG（σ=2）：边缘更干净，噪声抑制好。

实验结果（详见报告图3-1）：

拉普拉斯边缘图：白色表示正响应，黑色表示负响应。
锐化图像：原图减去拉普拉斯结果，轮廓变得清晰。

这些手工设计的核，虽然效果不错，但固定、不灵活。而CNN可以学到成千上万种不同的“拉普拉斯”变体。

四、实验三：看CNN到底学到了什么

我搭建了一个简单的三层卷积网络：

Conv1: 1 → 16 通道, 3×3 核, + BatchNorm + ReLU + MaxPool Conv2: 16 → 32 通道, 3×3 核, + BN + ReLU + MaxPool Conv3: 32 → 64 通道, 3×3 核, + BN + ReLU + MaxPool

训练前，我首先好奇：这个模型在毫无训练的情况下，卷积核是随机的，能提取特征吗？
在本次课设里，我们没有进行训练，只是随机初始化。但即便如此，当我们可视化这些随机核时，发现很多核已经表现出类似边缘检测的模式（比如中间亮、四周暗，或者方向性的梯度）。

更有趣的是，即使随机初始化，各层的特征图也呈现出层次化的结构：

Conv1的特征图：保留了较多的空间细节，响应边缘和纹理。
Conv2的特征图：开始出现重复模式，更抽象。
Conv3的特征图：分辨率降低，但语义信息更强（比如对人物轮廓、头发区域有选择响应）。

如果把Conv1的16个卷积核画出来（图4-3），你会发现——它们和拉普拉斯算子、Sobel算子、Gabor滤波器有极高的相似度：有的像水平边缘检测器，有的像垂直边缘检测器，有的像斑点检测器。

这说明了什么？CNN不是在“发明”新的操作，而是在学习信号处理里已有的“原子滤波器”，只是它们的形式更丰富、更适应数据。

五、核心洞察：卷积定理是连接经典与现代的桥梁

我把整条思考链路画成了演进图（图5-1）：

手工频域滤波（傅里叶高通） → 2.手工空域微分核（拉普拉斯）
→ 3.CNN第一层学习到的边缘检测核→ 4.CNN深层学习到的语义特征

每一步，卷积定理都在背后起作用：

传统方法手工设计 ( F_{\text{kernel}} )，而CNN用反向传播自动调整它。

更形象一点：CNN的第一层就是在学傅里叶频域里的“通带形状”，高层则在学组合这些基元来构建更复杂的模式。

从这个角度看，深度学习并没有“推翻”经典信号处理，而是把它推广到了极致——用数据驱动的方式，在高维空间里做自适应滤波。

六、一些实验代码片段

整个实验用Python完成，主要依赖：

numpy,scipy：傅里叶变换、LoG滤波。
opencv-python：图像读写、基础滤波。
torch：CNN定义与特征可视化。
matplotlib：绘制所有图表。

下面贴几个关键片段（完整代码见课设报告附录）：

6.1 二维傅里叶变换与滤波

importnumpyasnpimportcv2fromscipyimportndimagedeffourier_analysis(img_gray):# DFTf=np.fft.fft2(img_gray)fshift=np.fft.fftshift(f)magnitude=np.log(np.abs(fshift)+1)phase=np.angle(fshift)# 理想低通rows,cols=img_gray.shape crow,ccol=rows//2,cols//2lowpass=np.zeros((rows,cols))cv2.circle(lowpass,(ccol,crow),80,1,-1)# 应用滤波f_low=fshift*lowpass img_low=np.abs(np.fft.ifft2(np.fft.ifftshift(f_low)))returnmagnitude,phase,img_low

6.2 拉普拉斯算子

kernel_lap4=np.array([[0,1,0],[1,-4,1],[0,1,0]])lap4=cv2.filter2D(img_gray,-1,kernel_lap4)# LoG (高斯-拉普拉斯)fromscipy.ndimageimportgaussian_laplace log_result=gaussian_laplace(img_gray.astype(float),sigma=2.0)

6.3 CNN模型定义与特征提取

importtorch.nnasnnclassSimpleCNN(nn.Module):def__init__(self):super().__init__()self.conv1=nn.Conv2d(1,16,kernel_size=3,padding=1)self.pool1=nn.MaxPool2d(2)self.conv2=nn.Conv2d(16,32,3,padding=1)self.pool2=nn.MaxPool2d(2)self.conv3=nn.Conv2d(32,64,3,padding=1)self.pool3=nn.MaxPool2d(2)self.relu=nn.ReLU()defforward(self,x,return_features=False):f1=self.relu(self.conv1(x))x=self.pool1(f1)f2=self.relu(self.conv2(x))x=self.pool2(f2)f3=self.relu(self.conv3(x))ifreturn_features:returnf1,f2,f3returnself.pool3(f3)