4.3 捲積與濾波#

本章導言#

傅立葉轉換最豐厚的紅利是捲積定理：

時域中令人望而生畏的重疊積分，在頻域只是一次乘法。這條定理是整個線性系統理論、濾波器設計、影像處理、機率論的中心恆等式。本節將建立捲積的直觀（滑動、翻轉、加權平均）、證明捲積定理、以理想低通濾波器與 Gibbs 振鈴（2.3 節回歸）為例展示濾波設計的取捨，並延伸到機率論（特徵函數與中心極限定理的譜觀點）——展示捲積作為「混合」的普適數學。

捲積的直觀解剖#

\((f * g)(t) = \int f(t - s)g(s)ds\) 的機械步驟：（1）把 \(f\) 翻轉（ \(s \mapsto -s\) ，得 \(f(-s)\) ）；（2）平移 \(t\) （得 \(f(t-s)\) ）；（3）與 \(g\) 逐點相乘；（4）積分（加總）。物理語言： \(g\) 是「模板」或「核」， \(f(t-s)g(s)\) 是「把 \(f\) 錯位 \(t\) 後與模板的重合量」——捲積 = 相似度隨錯位量的曲線。三個重要特例：

• 與 \(\delta\) 捲積： \((f * \delta)(t) = f(t)\) —— \(\delta\) 是捲積的單位元（此式需第 5 章的分配語言才嚴格，直觀上 \(\delta\) 是「只看重合處的探針」）。
• 與矩形窗捲積： \((f * \chi_{[-a,a]})(t) = \int_{t-a}^{t+a}f(s)ds\) ——移動平均，最原始的低通濾波。
• 與 Gauss 捲積： \((f * g_\sigma)(t)\) = 高斯模糊——影像處理的高斯濾波、擴散方程的解算子（ \(g_\sigma\) 恰是熱核 \(e^{-t^2/(4\alpha t')} / \sqrt{4\pi\alpha t'}\) 型，9.1 節）。

代數性質：交換律、結合律、對加法分配——捲積使 \(L^1(\mathbb{R})\) 成為交換代數（無單位元；單位元 \(\delta\) 不在 \(L^1\) 中，這個「缺席的單位元」是第 5 章分配理論的第一動機）。

捲積定理與它的證明#

定理：設 \(f, g \in L^1(\mathbb{R})\) ，則 \(f*g \in L^1\) 、 \(\widehat{f*g} = \hat f\hat g\) ，且 \(\|f*g\|_1 \le \|f\|_1\|g\|_1\) 。

證明：（積分存在性） \(\int\!\int|f(t-s)g(s)|\,ds\,dt = \int|g(s)|\left(\int|f(t-s)|dt\right)ds = \|f\|_1\|g\|_1 < \infty\) （Fubini–Tonelli）。於是交換積分序合法：

內層積分用了替換 \(u = t - s\) 。 \(\blacksquare\)

對偶版（乘法定理）： \(\widehat{fg} = \frac{1}{2\pi}(\hat f * \hat g)\) （要求 \(f, g\) 適當衰減，如 Schwartz 空間）。工程意義：時域相乘（如取樣、加窗、調變）在頻域是捲積——取樣產生的頻譜複製（6.1 節）、加窗產生的譜洩漏（6.2 節）都是乘法定理的直接後果。

濾波器：頻域的設計語言#

線性時不變（LTI）系統（7.1 節正式展開）在時域是「輸入與衝擊響應 \(h\) 的捲積」： \(y = f * h\) 。捲積定理把它變成頻域乘法：

**濾波器設計 = 挑 \(\hat h\) **。四種基本原型：

理想低通的深淵： \(\hat h = \chi_{[-B,B]}\) 非負、形狀完美，但 \(h(t) = \frac{\sin Bt}{\pi t}\) 不絕對可積（ \(\frac1t\) 尾巴），且對階躍輸入的響應呈 8.95% Gibbs 振鈴、非因果（ \(t < 0\) 已有輸出！）。因果性（響應不先於輸入）要求 \(h(t) = 0\) 於 \(t < 0\) ，這對 \(\hat h\) 施加了 Paley–Wiener 約束（ \(\int\frac{|\ln|\hat h||}{1+\omega^2}d\omega < \infty\) ）——理想矩形頻響與因果性不相容。工程妥協路線：Butterworth（最大平坦）、Chebyshev（等波紋）、Bessel（線性相位）——每一家都是對理想矩形的某種光滑化（Fejér 思想的濾波器版，3.3 節）。

機率論的插播：特徵函數#

捲積在機率中的角色：獨立隨機變數之和的分布是分布的捲積（ \(X + Y\) 的密度 \(= f_X * f_Y\) ）。取特徵函數（即傅立葉轉換 \(\varphi_X(\omega) = E[e^{-i\omega X}]\) = \(\hat f_X\) 歸一化），得

和的特徵函數 = 特徵函數的積——Laplace 1810 年首創此法解「天體觀測誤差的合成」。中心極限定理的譜證明： \(n\) 個獨立同分布變數的和，其特徵函數是 \(\varphi^n\left(\frac{\omega}{\sqrt n}\right)\) ，對 \(\varphi\) 在 0 附近泰勒展開（ \(\varphi(0)=1\) 、 \(\varphi'(0)=0\) 、 \(\varphi''(0) = -\sigma^2\) ），得 \(\to e^{-\sigma^2\omega^2/2}\) ——Gauss 譜！反演即標準常態。反覆捲積把任意分布推往 Gauss：頻域一行算式，時域一個偉大定理。

一個具體例題#

例題 4.3.1：設計並分析「移動平均低通」： \(h(t) = \frac{1}{2a}\chi_{[-a,a]}(t)\) 。（1）求 \(\hat h\) 並畫出（描述）幅值響應；（2）計算它對「高頻雜訊」 \(n(t) = \sin(10\omega_0 t)\) （ \(\omega_0 = \pi/a\) ）的抑制與對直流的通過；（3）用 \(a\) 的選擇討論「平滑 vs. 響應延遲」的交換。

解：

（1） \(\hat h(\omega) = \frac{1}{2a}\int_{-a}^{a}e^{-i\omega t}dt = \frac{\sin(a\omega)}{a\omega} = \mathrm{sinc}(a\omega)\) 。幅值 \(|\hat h|\) 在 \(\omega = 0\) 為 1（直流全通）、在 \(\omega = \frac{k\pi}{a}\) 為零、之後以 \(\frac{1}{a\omega}\) 衰減並有旁瓣（幅值至多 \(\approx 0.217\) ，第一旁瓣在 \(\omega \approx \frac{1.43\pi}{a}\) ）。這是「不完美但誠實」的低通：主瓣通、零點挖、旁瓣漏。

（2）對 \(n(t) = \sin(10\omega_0 t)\) ， \(10\omega_0 = \frac{10\pi}{a}\) 恰在零點上（ \(\frac{k\pi}{a}\) 、 \(k = 10\) ）——此雜訊被完全消除！這不是巧合：選窗長 \(2a\) 使雜訊週期 \(\frac{2\pi}{10\omega_0} = \frac{a}{5}\) 在窗內正好完整整數個週期（5 個），移動平均對整週期訊號的貢獻恰為零。但若雜訊頻率偏到 \(\frac{9.5\pi}{a}\) ，殘留 \(|\mathrm{sinc}(9.5\pi)| \approx 0.033\) ——3% 洩漏。洩漏與旁瓣（6.2 節加窗的主題）在此已現形。

（3）時域看：輸出是輸入的 \(2a\) 長加權平均，邊緣被模糊、跳躍變斜坡（寬 \(2a\) ），且響應中心延遲 0（對稱核、零相位）——但若改用因果半窗 \([0, 2a]\) ，延遲 \(a\) 、且相位響應非線性（色散）。** \(a\) 的取捨： \(a\) 大 → 雜訊抑制好（阻帶下壓）、但訊號細節模糊； \(a\) 小 → 保真、但抑制差。窗長 = 平滑度旋鈕**，這與 Fejér 核（3.3）、短時傅立葉的窗（8.2）是同一個旋鈕在三章的不同化身。

歷史啟示#

• 換算域是策略，不是技巧：捲積定理之於線性系統，如同對數之於乘法——把「困難運算」換算成「簡單運算」。一切傅立葉方法的靈魂只有一句話：找到使問題變乘法的座標。
• 理想與可實現的鴻溝：sinc 濾波器的非因果與慢尾巴告訴我們：完美矩形是數學的虛構；工程的本領是在「矩形願望」與「因果、穩定、有限階」三重約束間找最優折衷。Butterworth/Chebyshev 家族就是百年折衷的結晶。
• 捲積是普適的混合語言：訊號（濾波）、機率（和的分布）、PDE（熱核解）、影像（模糊/銳化）共用同一個積分算子與同一條定理——跨界定理是數學價值最高的定理。

與其他章節及領域的關聯#

• 2.3 節：理想低通對跳躍輸入的 Gibbs 振鈴——本節給出其濾波器語言。
• 3.3 節：Fejér 平均 = 移動平均的級數版；非負核 = 無超調濾波。
• 4.1–4.2 節：本節性質表的捲積條目之展開。
• 5.1 節： \(\delta\) 作為捲積單位元——分配理論的入口。
• 6.1 節：取樣 = 與 Dirac 梳相乘；頻譜複製 = 乘法定理。
• 7.1 節：LTI 系統、衝擊響應、頻率響應的正規化。
• 7.2 節：數位濾波器（Z 域設計）是本節的離散重演。
• 8.2 節：短時傅立葉 = 「窗內捲積」的時頻化。
• 9.1 節：熱核 \(e^{-\alpha t\omega^2}\) 型解算子——高斯模糊的 PDE 身份。

練習#

1. 計算 \(f(t) = \chi_{[0,1]}(t)\) 與自身的捲積（三角波），並用捲積定理驗證：其譜為 \(\left(\frac{\sin(\omega/2)}{\omega/2}\right)^2 e^{-i\omega}\) 型——平方！
2. 證明捲積的結合律與對 \(L^1\) 範數的次可乘性 \(\|f*g\|_1 \le \|f\|_1\|g\|_1\) ，並說明這使 \(L^1\) 成為 Banach 代數。
3. 高斯模糊：證明 \(g_\sigma(t) = \frac{1}{\sqrt{2\pi}\sigma}e^{-t^2/2\sigma^2}\) 滿足 \(g_\sigma * g_{\sigma'} = g_{\sqrt{\sigma^2 + {\sigma'}^2}}\) （用捲積定理與 Gauss 譜），解讀「兩次模糊 = 一次更寬模糊」。
4. 理想低通 \(B = \frac{\pi}{2}\) 對階躍 \(u(t)\) 的輸出是什麼？（ \(\hat u\) 需分配語言： \(\pi\delta + \frac{1}{i\omega}\) ；結果為 Si 積分型的緩升 + Gibbs。）至少用頻域乘法寫出輸出譜的形式。
5. 思考題：自拍美顏的「磨皮」是低通、「銳化」是高通（ \(1 -\) 低通）、描邊是帶通。用捲積定理說明三者的 \(\hat h\) 該長什麼樣，並解釋為何磨皮會連眉毛一起糊（無法區分「雜訊紋理」與「邊緣」——它們頻譜重疊）。

進階研讀：捲積思維的五個深化場景#

場景一：不變子空間與「捲積代數的譜」。LTI 系統能同時對角化的秘密： \(e^{i\omega t}\) 是一切捲積算子的特徵函數（ \(h * e^{i\omega\cdot} = \hat h(\omega)e^{i\omega t}\) ）。捲積核的特徵函數 = 複指數——這正是傅立葉基「天生配得上平移不變系統」的原因（1.3 節深化問答的第三點）。交換 Banach 代數的 Gelfand 理論（1941）把這句話公理化：交換代數的譜 = 捲積核的傅立葉變換像——泛函分析對「為什麼是頻率」的最終回答（10.1 節）。

場景二：Wiener 濾波——最優的折衷。訊號 + 雜訊經低通，訊號也被削。Wiener 濾波器（1942，Norbert Wiener 為防空火控問題設計）在已知訊號/雜訊功率譜時給出最優 \(\hat h(\omega) = \frac{S_f}{S_f + S_n}\) ：按信噪比逐頻率加權——頻譜乾淨處全通、骯髒處壓制。這是「理想矩形」之後最偉大的濾波思想：濾波不是開關，是逐頻率的賭注分配（7.1 節延伸）。

場景三：小波 vs. 傅立葉濾波的本質差別。傅立葉濾波的核是全域的（sinc 尾巴無限長），跳躍處必生振鈴；小波濾波（8.3 節）用緊支撐核，誤差只限局部。多貝西（Daubechies）小波的設計正是「有限脈衝響應（FIR）濾波器組」的迭代——濾波器設計從傅立葉框架轉進小波框架，是 1980 年代調和分析最大的範式轉移。

場景四：深度學習的捲積層。CNN 的「卷積層」在數學上就是「可學習的 \(h\) + 捲積 + 非線性」。其有效性的直觀（平移不變、局部性、層級組合）全部是本節語言：平移不變 \(\Leftrightarrow\) 捲積形式；局部性 \(\Leftrightarrow\) 有限支撐核；層級 \(\Leftrightarrow\) 捲積結合律 + 非線性生成多尺度。2012 年以來的 AI 浪潮，其數學地基之一就是捲積定理所刻畫的表示效率。

場景五：捲積的計算成本與 FFT 的價值。直接捲積 \(N\) 點需 \(O(N^2)\) ；經 FFT（6.3 節）：正變換 \(O(N\log N)\) × 2 + 逐點乘 \(O(N)\) = \(O(N\log N)\) 。 \(N = 10^6\) 時差距約 5 萬倍——「大影像濾波必走頻域」的工程鐵律由此而來。反例：核很小（如 \(3\times3\) ）時直接捲積更快——演算法選擇永遠看核/訊號長度比。

補充：捲積記號的歷史#

捲積積分最早以「合成積」面目出現於 Vito Volterra（1910s 的積分方程）與 G. C. Evans（1920s）的工作中；記號 \(*\) 在 1930–40 年代逐漸標準化。Wiener 1930 年的《廣義諧波分析》 把捲積提升為理論主角（隨機過程的自相關 = 過程與自身的捲積、Wiener–Khinchin 定理把功率譜定為自相關的傅立葉變換——7.1 節）。捲積的升格史 = 訊號理論的成熟史：從積分技巧到代數系統再到學科基石。

名詞速查表（本節出現的核心術語）#

• 捲積 \(f*g\) ：翻轉–平移–乘–積分；混合/平滑的普適算子。
• 捲積定理： \(\widehat{f*g} = \hat f\hat g\) ；時域捲積 = 頻域乘法。
• 乘法定理： \(\widehat{fg} = \frac{1}{2\pi}(\hat f * \hat g)\) ；取樣與加窗的頻域解釋。
• 衝擊響應 \(h\) ：LTI 系統對 \(\delta\) 的輸出； \(y = f*h\) 。
• 頻率響應 \(\hat h\) ：濾波器的頻域名片。
• 理想低通：sinc 核；非因果 + Gibbs 振鈴的「完美」原型。
• 因果性： \(h(t) = 0\) （ \(t<0\) ）；Paley–Wiener 約束的來源。
• Butterworth / Chebyshev / Bessel：三大可實現濾波器家族。
• 特徵函數：隨機變數的傅立葉轉換；和 = 積。
• Wiener 濾波：按信噪比逐頻率最優加權。
• Wiener–Khinchin 定理：功率譜 = 自相關的傅立葉轉換。

年表速查（本節涉及的關鍵年份）#

• 1810：Laplace 用特徵函數（前身）合成誤差分布。
• 1822：Fourier 的濾波直觀（截譜 = 平滑）。
• 1910s–1920s：Volterra、Evans 的積分方程與捲積形式化。
• 1930：Wiener《廣義諧波分析》，捲積成理論主角。
• 1934：Paley–Wiener 條件（因果與頻響的鴻溝）。
• 1942：Wiener 濾波器（防空火控）。
• 1949：Wiener–Khinchin 定理的工程普及（功率譜分析）。
• 1965：FFT 使頻域濾波成為預設路徑（6.3 節）。
• 1988：多貝西緊支撐小波（濾波器組的極致）。
• 2012–：CNN 捲積層席捲 AI。

深化問答三則#

問：捲積定理既然這麼好，為什麼還要時域直接捲積？ 答：三種情況。（1）核極短（FIR 幾個 tap）——直接乘加更快；（2）串流即時處理——無法等整段 FFT（但可用重疊相加/重疊儲存法折衷）；（3）非線性運算（如限幅、量化）沒有頻域乘法對應。定理給選項，工程做選擇。

問：「濾波」與「平均」是同一件事嗎？ 答：移動平均、Fejér 平均、高斯模糊都是捲積的特例——平均是濾波的子集（非負、歸一的核）。但濾波更廣：高通、帶通、相位濾波（如希爾伯特變換）不是平均。常見誤區：把「平滑」當唯一的頻域操作——實際上濾波器的可能性空間是整個 \(\hat h\) 平面（複數值！），相位運算同樣強大。

問：如何向非理工讀者解釋「為什麼磨皮會把眉毛糊掉」？ 答：皮膚雜訊和眉毛在「精細程度」這個維度上處於相近頻段——低通濾波器按精細程度過濾，無法辨認「這條細紋是雜訊還是眉毛」。要兩全，需要「知道眉毛在哪裡」的結構資訊（邊緣檢測引導的濾波、保邊平滑如 bilateral filter）——濾波器不懂語義，頻段相同的東西命運相同；AI 美顏的進步正在於用學得的、非線性的「核」繞過這個限制。

（本節完）