Numpy fft()函数是对一维或者二维的数组进行快速傅里叶变换（FFT），其函数原型为：numpy.fft.fft(a, n=None, axis=-1, norm=None)，参数含义如下：
经过快速傅里叶变换后，可以得到原始信号在频域上的分解，进而用于信号处理、滤波、谱分析等诸多应用。
下面我们通过两个例子来说明numpy.fft.fft()的使用方法。
我们通过一个简单的例子来说明如何使用numpy.fft.fft()计算一个一维数组的傅里叶变换，并绘制出原始信号与频谱图。
import numpy as np
import matplotlib.pyplot as plt
#生成一个长度为256的实数组
x = np.linspace(0, 2*np.pi, 256)
y = np.sin(x) + 0.5*np.sin(3*x) + 0.2*np.sin(5*x)
#计算傅里叶变换
y_fft = np.fft.fft(y)
#计算相应的频率
freq = np.fft.fftfreq(len(y), x[1] - x[0])
#绘制原始信号
plt.subplot(211)
plt.plot(x, y)
#绘制频谱图
plt.subplot(212)
plt.plot(freq, np.abs(y_fft))
plt.show()运行上述代码，得到的结果如下图所示：
从图中可以看出，原始信号是由三个正弦波叠加而成，绿色的曲线表示频谱图，横轴表示频率，纵轴表示幅值，蓝色线条显示了频谱中的主要频率成分。
我们称计算一个二维数组的傅里叶变换，并绘制出原始图像与频谱图。
import numpy as np
import matplotlib.pyplot as plt
# 生成一个二维数组作为示例数据
data = np.random.random((256, 256))
# 计算二维傅里叶变换
fft = np.fft.fft2(data)
# 计算频谱图
magnitude_spectrum = 20 * np.log(np.abs(fft))
# 绘制原始图像和频谱图
fig, (ax1, ax2) = plt.subplots(1, 2)
ax1.imshow(data, cmap='gray')
ax1.set_title('Original Image')
ax2.imshow(magnitude_spectrum, cmap='gray')
ax2.set_title('Magnitude Spectrum')
plt.show()解释一下代码：
首先，我们使用Numpy的random函数生成一个256x256的随机数组，作为示例数据。
然后，我们使用fft2函数计算二维傅里叶变换。这个函数返回一个与输入数组相同大小的数组，其中包含了复数的傅里叶系数。
接下来，我们计算频谱图。这里使用了Numpy的abs函数计算复数的模，然后使用log函数取对数，并乘以20，以得到更好的可视化效果。
最后，我们使用Matplotlib绘制出原始图像和频谱图。imshow函数用于显示图像，其中cmap='gray'参数指定了灰度颜色映射。set_title函数用于设置图像的标题。我们使用subplots函数创建一个包含两个子图的图像，并将它们分别赋值给ax1和ax2变量。最后，我们调用show函数显示图像。
运行上述代码，得到的结果如下图所示：
本文链接：http://task.lmcjl.com/news/17128.html