Biến đổi Fourier là gì?

 (quantamagazine.org)
3 điểm bởi GN⁺ 2025-09-05 | 1 bình luận | Chia sẻ qua WhatsApp
  • Biến đổi Fourier là một phép tính toán học dùng để phân rã một tín hiệu hay hàm số phức tạp thành tổng của các thành phần tần số cơ bản
  • Tai người cũng tiếp nhận nhiều sóng âm khác nhau và tách chúng theo các tần số riêng, và nhà toán học Fourier đã chính thức hóa điều này vào thế kỷ 19, tạo ra một cuộc cách tân trong toán học
  • Biến đổi Fourier được ứng dụng rộng rãi không chỉ trong phân tích hàm mà còn trong nén, xử lý tín hiệu, vật lý, cơ học lượng tử và nhiều lĩnh vực khác
  • Nó đóng vai trò thiết yếu trong việc nén và biến đổi hiệu quả nhiều loại dữ liệu như hình ảnh số và âm thanh
  • Với sự xuất hiện của thuật toán Biến đổi Fourier nhanh (FFT), ngày nay biến đổi Fourier được sử dụng rộng rãi trong đời sống hằng ngày và toàn bộ lĩnh vực công nghệ thông tin

Tổng quan

  • Khi nghe nhạc, tai của chúng ta đảm nhiệm vai trò tiếp nhận tín hiệu sóng âm phức tạp và phân tách chúng theo từng tần số
  • Biến đổi Fourier cung cấp một phương pháp để phân rã bất kỳ hàm số phức tạp nào thành tổng của các sóng cơ bản, rồi từ đó khôi phục lại hàm ban đầu
  • Phương pháp này được nhà toán học Pháp thế kỷ 19 Jean-Baptiste Joseph Fourier phát hiện, tạo ra một bước ngoặt trong phân tích hàm
  • Kể từ đó, biến đổi Fourier đã thúc đẩy mạnh mẽ sự phát triển của nhiều lĩnh vực như phân tích hàm, xử lý tín hiệu, toán học, vật lý, và ngày nay còn được dùng trong nén tệp, khuếch đại tín hiệu âm thanh trên máy tính
  • Giáo sư Leslie Greengard của Đại học New York nhận xét rằng phân tích Fourier ảnh hưởng đến gần như mọi lĩnh vực của toán học và khoa học

Đam mê và khám phá của Fourier

  • Fourier sinh năm 1768 tại Pháp và từ nhỏ đã được giáo dục trong tu viện và toán học
  • Sau thời gian giằng co giữa tôn giáo và toán học, ông bị giam năm 1794 vì tư tưởng phản cách mạng, rồi quay lại với giáo dục toán học sau Cách mạng Pháp
  • Ông tham gia chiến dịch Ai Cập của Napoleon với vai trò cố vấn khoa học, đồng thời nghiên cứu Ai Cập cổ đại và bài toán truyền nhiệt
  • Ông cho rằng sự truyền nhiệt trong thanh kim loại có thể được biểu diễn như tổng của các dao động đơn giản, điều này gây tranh cãi lớn với các nhà toán học cùng thời
    • Một tuyên bố mang tính đột phá là ngay cả những thay đổi nhiệt độ đột ngột, chẳng hạn một nửa thanh lạnh và nửa còn lại nóng, cũng có thể được mô tả chính xác bằng tổng của vô số đường cong trơn
  • Cuối cùng, Fourier đã tạo ảnh hưởng lớn tới giới toán học khi chứng minh rằng một hàm tùy ý cũng có thể được biểu diễn thành tổng của những dao động rất đơn giản
  • Tuy vậy, việc áp dụng có giới hạn với các hàm cực kỳ phức tạp, kiểu càng phóng to càng tiếp tục gồ ghề

Nguyên lý của biến đổi Fourier

  • Biến đổi Fourier hoạt động bằng cách phân rã một đối tượng phức tạp thành các thành phần tần số khác nhau, tương tự như cách nhận diện thành phần của mùi hương hay hợp âm
  • Về mặt toán học, nó nhận một hàm làm đầu vào và tính mức độ đóng góp của từng tần số vào hàm gốc
    • Ví dụ: nếu nhân một hàm với sóng sin có tần số 3 mà giá trị trung bình của đồ thị cho ra cao, thì tần số này hiện diện nhiều trong hàm ban đầu
    • Nếu ở một tần số nào đó, các đỉnh dương và âm triệt tiêu lẫn nhau khiến giá trị trung bình gần bằng 0, thì tần số đó hầu như không hiện diện
  • Biến đổi Fourier đo các hệ số như vậy với mọi tần số, và khi cộng chúng lại, ta có thể khôi phục hàm phức tạp ban đầu
  • Những tín hiệu có cạnh sắc như sóng vuông, bao gồm cả tín hiệu số, có thể được xấp xỉ bằng tổng của vô số tần số (chuỗi Fourier)
  • Các nhà toán học thời kỳ đầu từng khó chấp nhận việc vô số đường cong trơn có thể tạo ra biến đổi đột ngột, nhưng ngày nay đây là một công cụ quan trọng

Không gian nhiều chiều và ứng dụng thực tế

  • Biến đổi Fourier cũng được áp dụng cho hình ảnh, vốn là hàm hai chiều, và có thể được hiểu như một hàm 2D biểu diễn độ sáng của từng pixel
  • Kết quả biến đổi Fourier của ảnh có thể được diễn giải thành các mẫu sọc với nhiều hướng khác nhau, và khi ghép các mẫu này lại thì có thể khôi phục ảnh gốc
  • Nén ảnh như JPEG loại bỏ thông tin tần số cao (chi tiết nhỏ) để giảm mạnh dung lượng nhưng vẫn giữ được những đặc trưng chính của hình ảnh
  • Thuật toán Fast Fourier Transform (FFT) do James Cooley và John Tukey phát triển vào thập niên 1960 đã cách mạng hóa tốc độ tính toán biến đổi Fourier
  • Nhờ đó, biến đổi Fourier trở thành công nghệ thiết yếu trong nhiều lĩnh vực như xử lý tín hiệu dữ liệu, khoa học máy tính, chẩn đoán hình ảnh y khoa (MRI), thiên văn học, nén âm thanh/video

Ảnh hưởng trong toán học và khoa học hiện đại

  • Biến đổi Fourier là nền tảng cốt lõi của vật lý học, đặc biệt là cơ học lượng tử, đồng thời cung cấp cơ sở toán học cho nguyên lý bất định
    • Ví dụ: càng biết chính xác vị trí của hạt trong không gian (đồ thị càng nhọn) thì sau biến đổi Fourier, độ bất định về động lượng càng lớn
  • Một nhánh gọi là giải tích điều hòa (harmonic analysis) đã phát triển, đóng vai trò quan trọng trong việc nghiên cứu sóng, phép biến đổi ngược của hàm và nhiều tính chất khác của hàm số
  • Trong toán học, nó cũng có liên hệ sâu sắc với lý thuyết số, phân bố số nguyên tố và các chủ đề khác
  • Giáo sư Charles Fefferman nhấn mạnh rằng nếu không có biến đổi Fourier, rất nhiều phần của toán học sẽ biến mất

Kết luận

  • Biến đổi Fourier là công cụ cốt lõi của khoa học và công nghệ hiện đại, từ tín hiệu, dữ liệu, hình ảnh đến vật lý
  • Từ đổi mới toán học đến công nghệ ứng dụng, ảnh hưởng của nó là vô cùng rộng lớn
  • Ngày nay nó được ứng dụng sâu rộng trong máy tính, truyền thông, y tế, giải trí và nhiều lĩnh vực khác

Bài viết liên quan

1 bình luận

 
GN⁺ 2025-09-05
Ý kiến Hacker News
  • Giới thiệu một video trên kênh Captain Disillusion giải thích rất hay cách Fourier transform hoạt động về mặt trực quan, cũng như cách nó được áp dụng trong các hiệu ứng hình ảnh như blur hay unblur
    https://youtu.be/xDLxFGXuPEc?feature=shared
    • Dù rất thích nội dung của Captain Disillusion, nhưng tập "CD / Blur" được cho là một trong những tập ít thông tin nhất của series. Tất nhiên đây là video làm để vui và dễ tiếp cận, nhưng không có chiều sâu như video về Fourier Transform (FT) của 3Blue1Brown
    • Cảnh tri ân Carl Sagan trong video được thấy là khá thú vị
  • Nếu hứng thú với Fourier thì có lẽ bạn cũng sẽ thích Laplace transform (hoặc phiên bản rời rạc của nó là z-transform). Có người từng hoàn toàn đắm chìm vào lĩnh vực này và đào sâu rất kỹ, đến giờ vẫn xem đó là một trong những thú vui nghiên cứu yêu thích. Ứng dụng của Fourier, Laplace và z-transform được dùng rất rộng rãi trong nhiều lĩnh vực. Người đó chủ yếu dùng chúng trong xử lý tín hiệu và điện tử tương tự
    • Khi học điện tử, có người còn phải tự tay chuyển hàm truyền của Laplace transform sang z-transform vì không có computer algebra system. Họ phải khai triển, gom nhóm lại rồi phân tích nhân tử, dùng bút chì, cục tẩy và cả xấp giấy line printer để làm thứ đại số cơ bản nhưng tẻ nhạt đó. Sinh viên ngày nay thật sự quá may mắn
    • Trước đây thường gặp tình huống phải chọn giữa một món hàng trên Amazon có điểm đánh giá cao nhưng ít review, và một món khác điểm thấp hơn chút nhưng có nhiều review. Có người đã áp dụng Laplace Rule of Succession để làm một browser extension tính điểm Laplacian có xét cả số lượng review lẫn rating. Nhờ đó có thể đưa ra lựa chọn khôn ngoan hơn nhiều
      https://greasyfork.org/en/scripts/443773-amazon-ranking-laplace
    • Cái gọi là "Z-transform" cho chuỗi rời rạc về cơ bản chính là generating function hoặc formal power series/Laurent series. Tức là biểu diễn chuỗi rời rạc dưới dạng power series theo z^(-1)
    • Mỗi khi nghĩ đến Laplace Transform, người ta lại liên tưởng đến các khái niệm như pole và zero trong control theory
    • Về bản chất, điện và điện tử rốt cuộc đều xoay quanh những phép biến đổi kiểu này
  • Trong tinh thần mọi người cùng chia sẻ tài liệu, có người giới thiệu bài giảng "Signals and Systems" của Dennis Freeman ở MIT vì nó giải thích rất trực quan mối quan hệ giữa bốn dạng Fourier transform (FT, DFT, Fourier Series, DTFT)
    https://ocw.mit.edu/courses/6-003-signals-and-systems-fall-2011/resources/lecture-19-relations-among-fourier-representations/
    • Trước đây Wavelet transform từng cực kỳ phổ biến, nên thấy giờ hầu như không còn ai nhắc đến nữa cũng khá lạ
  • BetterExplained.com cũng có một hướng dẫn tương tác về Fourier transform được tổng hợp rất tốt
    https://betterexplained.com/articles/an-interactive-guide-to-the-fourier-transform/
  • Có người có một giả thuyết riêng về lý do Fourier Transform và nhiều phép biến đổi khác nữa (generating function, Mellin/Laplace/Legendre/Haar, v.v.) lại thực sự hữu ích. Đó là vì rất nhiều hàm trong thế giới thực là sparse và phù hợp với compressed sensing FT là phép biến đổi 1:1 nên về mặt lý thuyết không làm mất thông tin, và trong nhiều trường hợp bài toán trở nên đơn giản hơn rất nhiều khi nhìn trong không gian tần số. Lý do là những hàm trông phức tạp ở dạng ban đầu thường lại được cấu thành từ các building block đơn giản hơn trong không gian biến đổi Ví dụ, tín hiệu âm thanh cánh ruồi vỗ nghe có vẻ phức tạp, nhưng khi nhìn bằng FT thì xuất hiện một peak mạnh ở một tần số duy nhất. Tổng của hai sóng sin nhìn ban đầu cũng có vẻ rối, nhưng sau khi biến đổi FT thì lại tách bạch rõ ở hai vị trí Lý do FT (hay DCT, v.v.) được dùng trong JPEG, MP3 là vì có thể loại bỏ các thành phần tần số không quan trọng đối với cảm nhận thực tế của con người (thính giác/thị giác), từ đó nén dữ liệu Điều kỳ diệu của FT không chỉ nằm ở việc đổi sang một cơ sở trực giao, mà còn ở chỗ tín hiệu thực tế thường có thể được mô tả khá chính xác chỉ bằng một số rất ít thành phần cơ sở
    • Trong bối cảnh này, Taylor Series cũng hữu ích vì nó cho phép xấp xỉ động lực học thực tế dưới dạng tổ hợp "chủ yếu là hiệu ứng tuyến tính + phi tuyến". Lực cản là một ví dụ: áp dụng khai triển Taylor có thể tách thành độ nhớt (hạng tuyến tính) và dịch chuyển thể tích (hạng bậc hai). Trong không khí thực, hệ số của hạng tuyến tính rất nhỏ, nhưng cách nhìn này vẫn giúp hiểu cấu trúc bài toán
    • FT đặc biệt trở nên thống trị vì sin, cos và hàm mũ phức là các eigenfunction của toán tử vi phân. Vì rất nhiều hệ thống trong thực tế được mô tả bằng phương trình vi phân, FT trở thành công cụ nền tảng cho phân tích. Một lý do nữa khiến tín hiệu đời thực thường sparse trong không gian FT là phần lớn hệ thống thực có chuyển động tuần hoàn như motor hay cánh ruồi, nên FT tách thành phần rất hiệu quả. Mọi tín hiệu đều có cấu trúc phân rã thành các harmonic của tần số cơ bản
    • Rốt cuộc điều quan trọng là: "tín hiệu mà con người tri nhận được thì sparse hơn". Âm sắc thật của violin cách rất xa sóng sin, nhưng bộ não lại nhận ra nó như một âm sắc lý tưởng duy nhất. Tức là mô hình nhận thức của chúng ta thực sự đã được nén rất mạnh
  • Điều khiến Fourier Transform khó "cảm" được là vì để thật sự tính dao động của tín hiệu thì phải chờ đủ một khoảng thời gian, và bản thân quá trình biến đổi cũng bao gồm phép tích phân. Trực quan thì người ta thường cho xem toàn bộ tín hiệu cùng lúc, nhưng trong đời thực tín hiệu đến dần theo thời gian nên không hề đơn giản. Có người muốn đọc sâu hơn về kiểu tình huống này
    • Trong trường hợp đó cần đến khái niệm time-frequency analysis, và công cụ cốt lõi ở đây chính là short-time Fourier transform (STFT). Spectrogram âm nhạc và nhiều dạng trực quan hóa khác đều dựa trên nó
    • Với tín hiệu dạng stream thì dùng sliding window FFT. Kích thước cửa sổ sẽ giới hạn dải tần tối thiểu/tối đa có thể phát hiện. Việc lượng tử hóa thời gian trong dữ liệu số cũng giới hạn dải tần cao, và độ dày của cửa sổ tất yếu tạo ra latency, điều này rất quan trọng trong lọc giọng nói thời gian thực
    • Nếu hình dung trực quan thì nó khá giống làm convolution với một cửa sổ theo thời gian. Kích thước cửa sổ quyết định dải tần có thể phát hiện
    • Thường người ta chạy FFT trên các đoạn ngắn như 512 mẫu. Hoặc dùng các khối 1024 mẫu chồng lấn nhau và dịch từng bước 512 mẫu; càng dùng nhiều mẫu thì độ chính xác càng cao
  • Bài viết lần này khiến có người thực sự "mở mắt" với Fourier Transform. Lần đầu họ hiểu được nguyên lý của bitmap nén ảnh, và giờ còn muốn tự thử nghiệm việc nén hoặc tách tín hiệu liên tục thành các thành phần riêng biệt Họ cũng muốn thử áp dụng vào color quantisation, chẳng hạn lấy các thành phần RGB chính/trung bình rồi thay vì lan truyền sai số như dithering truyền thống, có thể giữ lại các thành phần màu sparse hơn để giảm số màu. Có thể sẽ không hiệu quả, nhưng bản thân quá trình thử và học đã rất đáng mong đợi
  • Đây có thể là tài liệu tốt cho người mới bắt đầu với Fourier Transform, nhưng cũng có thể khiến nó trông tùy tiện và ngẫu nhiên hơn thực tế rất nhiều. Điều đáng tiếc là nếu ai đó lầm tưởng mình đã hiểu toàn bộ, họ có thể bỏ lỡ những vẻ đẹp còn lớn hơn phía sau Mong rằng không ai vì tưởng mình đã có được bông hoa đẹp nhất của Fourier Analysis mà lại bỏ qua vẻ đẹp có thể là tuyệt vời nhất trong đời
    https://news.ycombinator.com/item?id=45134843 câu hỏi này có thể là một gợi ý về vẻ đẹp ẩn giấu đó
  • Nếu muốn trải nghiệm Fourier Transform theo cách trực quan hơn và sâu hơn, các phần giải thích kiểu explorable này rất hữu ích
    https://injuly.in/blog/fourier-series/index.html, https://www.jezzamon.com/fourier/
  • Có người thán phục trước ý tưởng của Fourier rằng sự phân bố nhiệt trong một thanh có thể được biểu diễn bằng tổng các dạng sóng đơn giản. Cảm giác kiểu như: "Sao ông ấy có thể nghĩ ra điều đó được nhỉ?". Có những người đúng là sinh ra đã khác
    • Có vẻ Fourier thật sự rất thông thạo nhiều vấn đề toán học khác nhau như phương trình vi phân, khai triển chuỗi và cả giai đoạn hỗn loạn ban đầu của giải tích. Trong suốt 200 năm qua, biên giới của toán học mới mẻ và đẹp đẽ cũng đã thay đổi rất nhiều