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：

1. 4邻域拉普拉斯：对水平和垂直边缘敏感。
2. 8邻域拉普拉斯：对斜向边缘也敏感。
3. 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）：

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

import numpy as np
import cv2
from scipy import ndimage

def fourier_analysis(img_gray):
    # DFT
    f = 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//2
    lowpass = 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)))
    return magnitude, 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)
from scipy.ndimage import gaussian_laplace
log_result = gaussian_laplace(img_gray.astype(float), sigma=2.0)

6.3 CNN模型定义与特征提取

import torch.nn as nn

class SimpleCNN(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()
    
    def forward(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))
        if return_features:
            return f1, f2, f3
        return self.pool3(f3)

可视化特征图时，我们把每个卷积层的输出（batch=1）取前几个通道画出来。即使模型没训练，随机核也能产生有结构的响应。

七、最大收获：别把“信号与系统”和“深度学习”割裂开

很多同学学信号与系统时觉得“这玩意儿古老、数学多、没用”，学深度学习时又把它当成一个全新的黑盒。但这次课设让我深刻意识到：

• 傅里叶变换告诉你：图像 = 频率的叠加。
• 拉普拉斯算子告诉你：边缘 = 二阶导数的过零点。
• CNN告诉你：这些操作可以组合、堆叠、自动化。

没有信号与系统的基础，你只能把卷积核当成一个“神奇的模板”，而理解了卷积定理，你就能从频域的角度去思考：为什么浅层学边缘，深层学语义？ 本质上是因为多次卷积等价于频域多次乘积，相当于构造了更复杂的带通滤波器。

八、如果想继续深挖，可以做什么？

本次实验只用了随机初始化的CNN（未训练）。如果真正训练一个分类任务（比如人脸识别），观察训练前后卷积核的变化，会更有说服力。另外，还可以：

• 对比手工设计的Gabor滤波器与CNN第一层核的相似度。
• 用梯度上升可视化每个卷积核最“喜欢”的模式。
• 结合傅里叶域分析，计算每个卷积核的频响曲线，看它到底是低通、高通还是带通。

这些都能让经典理论与现代方法的联系更加紧密。

---

写在最后

这次课程设计让我对“信号处理”这门课彻底改观。它远不只是教我们算积分、拉普拉斯逆变换，而是在教我们用“变换”的眼光看问题。当我把这个眼光投射到CNN上时，很多以前觉得玄乎的东西，一下子变得清晰了。

如果你也在学这两门课，强烈建议找一张图片，自己动手：

1. 做一次FFT，看看幅度谱和相位谱。
2. 用拉普拉斯核做一次边缘检测。
3. 搭一个最简单的CNN，把第一层卷积核画出来。

你一定会看到，它们之间那条隐秘而优美的连线。

附录：完整代码、所有实验结果图（傅里叶幅度谱、拉普拉斯边缘图、CNN核及特征图）已上传，见课程设计报告原文。

---

作者：陌生Boy
指导教师：GYY
课程：信号与线性系统分析课程设计
日期：2026年5月