PRÁCTICA 4
Series y Transformadas de Fourier.
Tratamiento y Tranmisión de señales
Rubén Esteban Sánchez
02/05/2025
1
Índice
1. Introducción 3
2. Señales periódicas: Series de Fourier 3
3. Transformada de Fourier en Matlab 4
3.1. Ejercicio: Análisis de la señal cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2. Ejercicio: FT de señales muestreadas (DFT) . . . . . . . . . . . . . . . . . . . . . . . . 5
4. Filtrado de Imágenes 6
5. Conclusiones 8
2
1. Introducción
Cualquier señal en el dominio del tiempo puede expresarse como una suma, discreta o continua,
de sinusoides de distintas frecuencias. De esta forma, la señal queda determinada como un conjunto,
discreto o continuo, de parejas amplitud/fase (una pareja por frecuencia) que conforma el espectro en
frecuencia de la señal. Además, se dice que la señal está representada en el dominio de la frecuencia.
En el caso de señales periódicas el espectro consistirá en un conjunto discreto de frecuencias (serie
de Fourier). En general, para señales no periódicas el espectro es continuo (suma continua o integral) y
se obtiene mediante la transformada de Fourier de la señal. El objetivo de esta práctica es el estudio de
señales en el dominio de la frecuencia en las dos modalidades mencionadas, discreta y continua
2. Señales periódicas: Series de Fourier
Consideramos una señal cuadrada de perı́odo T0 = 2π definida como:
1, 0≤t <π
x(t) =
−1, π ≤ t < 2π
El coeficiente bn de la serie de Fourier está dado por:
Z T0
2
bn = x(t) sin(nω0t) dt
T0 0
2π
donde ω0 = T0 = 1. Sustituyendo T0 = 2π, la expresión queda:
Z 2π
1
bn = x(t) sin(nt) dt
π 0
Separamos la integral por tramos según la definición de x(t):
Z Z 2π
1 π
bn = sin(nt) dt − sin(nt) dt
π 0 π
Evaluando cada integral:
cos(nt) π
cos(nπ) − 1
Z π
sin(nt) dt = − =−
0 n 0 n
cos(nt) 2π
Z 2π
cos(2nπ) − cos(nπ)
sin(nt) dt = − =−
π n π n
Utilizando que cos(nπ) = (−1)n y cos(2nπ) = 1, se obtiene:
1 − (−1)n (−1)n − 1 2(1 − (−1)n )
1
bn = + =
π n n πn
Finalmente:
3
4 , n impar
bn = πn
0, n par
Esto verifica la expresión (5), en la cual solo aparecen senos con ı́ndices impares y amplitudes
decrecientes como 1/n.
3. Transformada de Fourier en Matlab
3.1. Ejercicio: Análisis de la señal cuadrada
Se realiza el código tal y como se indica. En la figura 2, vemos que solo se muestrán los armónicos
impares, que son los múltiplos impares de la frecuencia fundamental y también cómo la amplitud decrece
en un factor 1/n)
Figura 1: Señal cuadrada
4
Figura 2: Amplitud y Fase
3.2. Ejercicio: FT de señales muestreadas (DFT)
En este apartado se implementa el siguiente código que hará la función de la transformada de Fourier
Figura 3: Función Transformada de Fourier
En la figura 4, se muestra el resultado de aplicar las dos funciones, y en la 5 podemos comprobar
5
como el error entre ellas es prácticamente nulo.
Figura 4: Comparación de funciones
Figura 5: Error entre funciones
4. Filtrado de Imágenes
En este apartado se nos pide introducir ruido en una imagen para luego aplicarle un fitlro y compro-
bar la reducción del ruido de alta frecuencia.
En la figura 6, se puede visualizar la comparacion de las 3 imágenes, como vemos en la imagen
filtrada se consigue reducir bastante el ruido de alta frecuencia, pero en consecuencia obtenemos una
imagen de menos calidad.
6
Figura 6: Comparación imágenes con f2samp
En la figura 7, apreciamos la respuesta en frecuencia, de esta gráfica podemos extraer la siguiente
información:
Se muestra una zona central elevada (alrededor de la frecuencia (0,0)), donde la magnitud es alta.
Las magnitudes caen hacia los bordes, lo cual es tı́pico de un filtro que deja pasar las frecuencias
bajas y atenúa las altas.
El anillo donde la magnitud cae corresponde aproximadamente a un radio de 0.5 en el eje de
frecuencia [Link] indica que la frecuencia de corte del filtro es efectivamente cercana a
π/2 rad/muestra, como se deseaba.
Figura 7: Respuesta en frecuencia con f2samp
Como el fenómeno de Gibbs se produce cuando se representa una señal con saltos abruptos (como
un filtro paso bajo ideal) usando una suma finita de funciones (como una serie de Fourier). Vamos a
probar a usar un filtro paso bajo de tipo gaussiano que tiene una transición de paso a rechazo suave y
continua. En al figura 8, se muestra el resultado, donde se aprecia que el ruido es menor después del
filtrado.
7
Figura 8: Comparación de imágenes con filtro gaussiano
Además si representamos la respuesta en frecuencia es un proceso suave y sin discontinuidades
(Figura 9)
Figura 9: Respuesta en frecuencia de filtro gaussiano
5. Conclusiones
Está práctica ha permitido comprobar de forma teórica y práctica cómo las Series y Transforma-
das de Fourier son herramientas fundamentales en el procesamiento de señales. Se ha verificado que las
señales periódicas pueden expresarse mediante una suma de senos y cosenos. Mediante MATLAB, se ha
comprobado distintos métodos, aunque similares, para la implementación de la Transformada de Fourier.
En el caso del filtrado de imágenes, se ha demostrado que la Transformada de Fourier facilita la iden-
tificación y eliminación de ruido de alta frecuencia, además se ha comprobado porqué se produce el
fenómeno de Gibbs. En conjunto, se ha comprobado la utilidad de las herramientas frecuenciales para el
análisis y mejora de señales en entornos reales.