抽样定理和采样定理-抽样与采样定理

在讲信号处理之前，我得先说句实话，这玩意儿听起来挺玄乎，实际上就是一个关于“偷懒”和“欺骗”的故事。 你总当作，把一个凌乱无章的大喇叭里灌进去一堆噪音，然后拿两个耳朵听一听，就能把信号听得一清二楚。
这想法在大脑里忒便宜了，但在数学世界里，这事儿得看你如何算。采样定理（Sampling Theorem）大约是信号处理界最著名的定理，它解决了如何从一堆声音里搞出原声的难题。 别光背公式，咱们换个思路。想象你在录一个鸟叫，声音是连续的，但录音设备只能每秒拍一次照片。
要是你拍得忒慢，比如每秒只拍一次，那鸟叫时，照片里就是一片空白；拍得快一点，比如每秒拍一百次，照片里就有鸟嘴飞行的轨迹了；再快一点，每秒拍一千次，轨迹就清楚得像视频帧。
这时候你拿显微镜看每一张图，能看出鸟喙的形状和羽毛的纹理。 但这里有个致命难题：你在拍了多少张？拍多少张？拍完多少张之后，你就该暂停？这就涉及到采样率（Sample Rate）和奈奎斯特采样率（Nyquist Rate）。采样率得是信号最高频率的两倍。
要是信号最高频率是 1000 赫兹，那你每秒起码得拍 2000 次，不然在工夫轴上，你就只有 0.5 赫兹，更多的频率就混在一起了，彻底拍不出来。 大量人拿手机信号做例子，认定 4G 5G 网速快，信号好，天线大，故此能收到声音。
实际上不一定。手机天线大，天线增益高，但这是做通讯的，不是做广播的。广播是“推”，信号是“推出去”，务必保证全空间都能收到，并且不能失真。手机接收是“拉”，只要接收灵敏够了就行。逻辑反了，结局自然差。 拿车喇叭举例更直观。假设喇叭发出的是 800 赫兹的尖啸音。
要是采样率只有 1000 赫兹，那刚好卡在奈奎斯特极限边缘，略微有点误差要么噪声一干扰，波形一变形，你听到的就是 distorted 的，就连听不见。
这时候务必把采样率提升到 1600 赫兹以上，要么干脆改成 1 兆赫兹的采样，才能把那个尖啸的波形整个记录下来。
这就是为啥工业造线上的机器电机转速如此高，就连达到 50000 转，根本不用靠肉眼看转速表，而是靠安装许多个高频电流传感器，把电流的微变化采样下来，然后一一对应转起来。
要是采样率不够，转速表上的指针就是抖动的，彻底没法看。 还有个难题叫混叠（Aliasing）。
这词儿听着怪恶心，实际上就是严重的失真。
你想象一下，你拿一把尺子去量长度，要是尺子上的刻度忒密，要么忒疏，量出来的长度全是错的。信号处理里的混叠，是出于采样率不够高，把高频信号“挤”到了低频范围里去，最终听出来的声音里，混进去了大量你根本听不到的假频率，营造出一种听起来挺怪、有跳跃感的假象。大量老式收音机信号不好，要么没有合适的滤波器，信号通道里混进了大量杂音，这时候你就只能听出呼呼的风声要么怪怪的嗡嗡声，出于真正的信号模不清楚糊的糊在噪音上去了。 说到滤波器，这玩意儿跟采样是紧密绑定的。采样出来的信号充满了空白的时域，要是你直接回放，那就是全噪声。
这时候务必用滤波器，也就是低通滤波器，把高频的噪声要么假频率给滤掉，只留住那些有用的人声或音乐局部。
这就回到了刚刚的放大器比喻，在信号进入放大器之前，务必先做个“脱水机”，把水分蒸发掉，剩下的就是纯净的信号。 实际上，采样定理的深意不在于它规定了多高的采样率，而在于它定义了“重建”的可能性。
只要你在采样点之间插上了充足密的工夫轴，只要信号本身知足某些条件，你就能够通过插值算法，把那些点连成一条平滑的曲线，完美还原出原来的信号。插值算法本身就是一种数学上的“采样”，只不过它不需求原始的采样点，而是根据已知的数学特性去推导。 在现实应用中，采样率的设定往往是个平衡的艺术。
一方面，采样率忒低会害得信息丢失，信号不清楚；另一方面，采样率忒高会害得数据膨胀，处理速度慢，占用带宽大，就连带来新的噪声。
比如做视频，要是每秒拍 25 帧，可能就够看电视剧了；要是每秒拍 60 帧，画面就更流畅，但数据量翻倍。
这时候就得看应用需求，是追求保真度，还是追求效率。 最终得提一句，采样定理在数字信号处理里是个基石。所有的数字音频、数字视频、雷达扫描、医疗成像，底层都在用这四个字。采样拍板了你能不能听到鸟叫，滤波器拍板了你听清的是鸟叫还是风声，而重建算法则拍板了你听完后那个鸟叫是不是原来的那只。
要是这链条上哪一环断了，听出来的结局那就是个充满谎言的幻觉，哪怕原始声音再真。
故此，靠谱不是靠数据量堆出来的，而是靠对采样频率、滤波器截止频率和插值精度的严谨把控。