在图像处理中，傅里叶变换将空间域的像素信息映射到频域，得到幅度谱和相位谱。所谓 Fournier2Image，就是把频域中的复数矩阵还原为可见图像的过程。这个名称虽然带有 Fournier，但在大多数文献里正确拼写是 Fourier，本文统一使用 Fourier 这一术语。接下来会从复数运算基础讲起，逐步用 Node.js 实现一个完整的逆变换函数。
理解傅里叶逆变换与图像还原的关系
图像可以看作一个二维离散信号，每个像素的灰度值或颜色分量都是一个离散样本。二维离散傅里叶变换将这些样本分解成不同频率的正弦波叠加，频域中的每个点对应一个特定的频率和方向。变换结果的每个元素是一个复数，包含实部和虚部，也可以表示成幅度和相位。幅度反映了该频率成分的强度，相位则包含了空间位置信息。
二维离散傅里叶逆变换的数学表达式为：
f(x,y) = (1/MN) Σ Σ F(u,v) e^(j2π(ux/M + vy/N))
其中 F(u,v) 是频域复数系数，f(x,y) 是空间域像素值，M 和 N 分别是图像的高度和宽度。执行逆变换时，必须同时计算实部和虚部，最后得到的空间域结果理论上应该是一个实数矩阵。如果直接使用幅度谱作为频域数据而丢弃相位，逆变换出来的图像会丢失大部分结构信息，变成模糊的噪声图。因此 Fournier2Image 的核心要求就是保留完整的复数信息。
很多开发者第一次接触频域处理时，会误以为幅度谱就是图像的频域表示，可以直接用来重建图像。这种认识忽略了相位的重要性。实际上，相位谱决定了图像中物体的位置和边缘走向，幅度谱只影响对比度和整体亮度。本文实现的正是同时处理实部和虚部的标准逆变换流程。
用Node.js实现二维傅里叶逆变换
在 Node.js 中实现二维傅里叶逆变换，最直接的方式是使用双重求和公式，对每个空间坐标 (x,y) 遍历所有频域坐标 (u,v) 并累加复数乘积。这种方法的时间复杂度为 O(M²N²)，适合处理 64×64 或更小的图像。对于大尺寸图像，建议改用 FFT 库，但直接实现能够清晰地展示运算过程。
下面的代码定义了一个 inverseDFT2D 函数，输入频域实部数组和虚部数组，输出逆变换后的实部数组和虚部数组。复数运算使用欧拉公式将指数项展开为余弦和正弦。
function complexAdd(a, b) {
return { re: a.re + b.re, im: a.im + b.im };
}
function complexMul(a, b) {
return { re: a.re * b.re - a.im * b.im, im: a.re * b.im + a.im * b.re };
}
function inverseDFT2D(real, imag, M, N) {
const outputReal = new Array(M * N).fill(0);
const outputImag = new Array(M * N).fill(0);
for (let x = 0; x < M; x++) {
for (let y = 0; y < N; y++) {
let sumRe = 0;
let sumIm = 0;
for (let u = 0; u < M; u++) {
for (let v = 0; v < N; v++) {
const idx = u * N + v;
const re = real[idx];
const im = imag[idx];
const angle = 2 * Math.PI * ((u * x) / M + (v * y) / N);
const cos = Math.cos(angle);
const sin = Math.sin(angle);
sumRe += re * cos - im * sin;
sumIm += re * sin + im * cos;
}
}
const outIdx = x * N + y;
outputReal[outIdx] = sumRe / (M * N);
outputImag[outIdx] = sumIm / (M * N);
}
}
return { real: outputReal, imag: outputImag };
}
代码中 real 和 imag 数组长度均为 M * N，索引采用行优先存储，即 (u,v) 对应下标 u * N + v。对于每个输出位置 (x,y)，内层循环累积所有频率分量贡献的实部和虚部。最后统一除以 M * N 完成归一化。由于直接 DFT 的精度问题，逆变换结果的虚部可能不是严格为零，通常会存在极小的浮点误差，在实际使用中可以直接忽略虚部或仅取实部。
在实际图像处理中，频域数据往往经过平移，使低频分量位于矩阵中心。此时需要先对频域数据进行 fftshift 还原，再进行逆变换。下面的函数展示了如何对一个二维矩阵进行平移操作。
function fftshift2D(matrix, M, N) {
const shifted = new Array(M * N);
const halfM = Math.floor(M / 2);
const halfN = Math.floor(N / 2);
for (let r = 0; r < M; r++) {
for (let c = 0; c < N; c++) {
const srcR = (r + halfM) % M;
const srcC = (c + halfN) % N;
shifted[r * N + c] = matrix[srcR * N + srcC];
}
}
return shifted;
}
这个函数将矩阵四个象限对调，使原本在角落的低频分量移动到中心。如果你使用的 FFT 库已经返回了居中排列的频谱，就不需要这一步。
完整示例：从频谱数据生成图像并保存
为了验证逆变换函数的正确性，我们可以构造一个简单的频域数据。假设在一个 64×64 的频域矩阵中心放置一个幅度为 1 的直流分量，其余位置为零。逆变换后得到的空间域图像应该是一个均匀的灰度值，因为直流分量对应整个图像的平均亮度。
下面的代码演示了完整的流程：创建频域数组、执行逆变换、计算幅度并归一化到 0 到 255 的像素范围，最后写入一个 PPM 格式的图像文件。PPM 是一种简单的文本图像格式，不需要任何第三方依赖。
const M = 64;
const N = 64;
const real = new Float64Array(M * N);
const imag = new Float64Array(M * N);
// 在中心放置一个低频亮点，模拟直流分量
const cx = Math.floor(M / 2);
const cy = Math.floor(N / 2);
real[cx * N + cy] = 1.0;
imag[cx * N + cy] = 0.0;
// 执行逆变换
const result = inverseDFT2D(real, imag, M, N);
// 取幅度并归一化
let maxVal = 0;
for (let i = 0; i < M * N; i++) {
const mag = Math.sqrt(result.real[i] * result.real[i] + result.imag[i] * result.imag[i]);
if (mag > maxVal) maxVal = mag;
}
// 写 PPM 文件
const lines = [];
lines.push('P3');
lines.push(N + ' ' + M);
lines.push('255');
for (let i = 0; i < M * N; i++) {
const mag = Math.sqrt(result.real[i] * result.real[i] + result.imag[i] * result.imag[i]);
const val = Math.round((mag / maxVal) * 255);
lines.push(val + ' ' + val + ' ' + val);
}
require('fs').writeFileSync('output.ppm', lines.join('\n'));
运行这段代码后，当前目录下会生成 output.ppm 文件。由于频域中只有一个直流分量，图像应该呈现为单一的灰色调，亮度取决于归一化后的幅度值。这个结果验证了逆变换的基本正确性。
如果频域数据来自真实图像的傅里叶变换，并且我们保留了完整的实部和虚部，那么逆变换就能还原出与原图几乎一致的灰度图像。但是直接 DFT 的复杂度极高，对于 512×512 的图像需要执行约 6.8×10¹⁰ 次复数乘法，这在 Node.js 中会非常慢。实际项目中应该使用基于快速傅里叶变换的库，例如 fft-js 或 node-fft，它们可以将复杂度降低到 O(N² log N)。使用这些库时，需要注意它们的输入输出格式和频谱排列方式，确保与本文的逆变换流程正确对接。
最后需要提醒的是，Fournier2Image 这个说法在英文资料中并不常见，更准确的术语是 Fourier Inversion 或 Inverse Fourier Transform。如果你在搜索引擎中查找相关资料，使用 Fourier 而不是 Fournier 会得到更多有效结果。