什么是抽样定理？
抽样定理（Sampling Theorem），又称奈奎斯特-香农采样定理（Nyquist-Shannon Sampling Theorem），是数字信号处理领域的基石。它建立了连续时间信号与离散时间信号之间的桥梁，回答了这样一个核心问题：我们最少需要多少个采样点，才能完整地保留原始模拟信号的信息，从而实现无失真重建？
⚙️ 时域抽样
将时间上连续的模拟信号 转换为时间上离散的序列 。这是ADC（模数转换器）的工作原理基础。
⚙️ 频域抽样
将频率上连续的频谱 转换为频率上离散的序列 。这是DFT（离散傅里叶变换）和FFT算法的理论依据。
⚙️ 核心目标
确保在采样过程中不丢失信息，避免混叠（Aliasing）现象，并能够通过数学方法完美重构原始信号。
时域与频域抽样定理详解
为了深入理解，我们需要分别探讨时域抽样和频域抽样。两者在数学上具有深刻的对偶性。
1. 时域抽样定理（奈奎斯特准则）
对于一个带宽受限的连续时间信号 ，如果其最高频率分量为 （即 当 ），则该信号可以被其采样值唯一确定，当且仅当采样频率 满足：
其中， 被称为奈奎斯特速率（Nyquist Rate），而 被称为奈奎斯特频率（Nyquist Frequency）。
关键要点：
- 欠采样（）：会导致频谱重叠，产生混叠，信号无法恢复。
- 过采样（）：虽然可以使用更简单的重构滤波器，但会增加数据量和处理成本。
- 理想采样：理论上使用冲激函数序列采样，实际中使用极窄脉冲近似。
2. 频域抽样定理
频域抽样定理是时域抽样定理的对偶形式。它指出：如果一个离散时间序列 的长度为 （即仅在 非零），则其频谱 可以被均匀抽样，当且仅当频域抽样点数 满足：
如果 ，则可以通过对 的 个均匀抽样点 进行离散傅里叶逆变换（IDFT），无失真地恢复出原序列 。如果 ，则会发生时域混叠。
3. 两种定理的对比
| 特性 | 时域抽样定理 | 频域抽样定理 |
|---|---|---|
| 原始信号类型 | 连续时间、带宽受限信号 | 有限长离散序列 (长度N) |
| 抽样域 | 时间域 | 频率域 |
| 关键参数 | 最高频率 | 序列长度 |
| 抽样率条件 | ||
| 混叠类型 | 频域混叠（Aliasing） | 时域混叠（Time-domain Aliasing） |
| 重构方法 | 理想低通滤波（sinc插值） | IDFT (DFT逆变换) |
抽样定理在现实世界中的应用
抽样定理不仅仅是数学公式，它支撑着现代数字社会的方方面面。通过以下选项卡，我们可以深入了解其在不同领域的应用。
CD音质与音频采样
人类听觉范围通常为 20Hz 到 20kHz。根据奈奎斯特准则，为了无失真地记录人耳可听的声音，采样率必须至少为 40kHz。CD音频标准采用 44.1kHz 的采样率，正是为了留出一定的余量，并使用抗混叠滤波器滤除 20kHz 以上的频率。
在数字音频工作站（DAW）中，工程师常使用 96kHz 或 192kHz 的超高采样率，这不仅是为了捕捉更高频的谐波（虽然人耳听不到），更是为了简化抗混叠滤波器的设计，减少相位失真。
图像传感器与莫尔条纹
图像在空间域上可以看作二维信号。相机传感器的像素网格相当于对连续光信号进行空间抽样。如果场景中存在高频细节（如细密的条纹衬衫），其空间频率超过传感器奈奎斯特频率时，就会产生莫尔条纹（Moiré Pattern），这是一种典型的空间域混叠现象。
现代相机通常在传感器前放置光学低通滤波器（OLPF）来模糊高频细节，防止混叠，但这会略微降低图像锐度。
通信系统中的带通采样
在无线通信中，信号往往位于高频载波上。直接以奈奎斯特速率采样高频信号需要极高速的ADC，成本高昂。带通抽样定理（Bandpass Sampling Theorem）允许我们以低于信号中心频率但高于其带宽两倍的速率进行采样，将高频信号直接下变频到基带数字域，极大地降低了硬件复杂度。
CT与MRI重建
计算机断层扫描（CT）和磁共振成像（MRI）本质上都是基于频域抽样定理。MRI设备采集的是k空间（频率域）数据。根据频域抽样定理，k空间的采样密度决定了图像的空间分辨率和视场大小。如果k空间采样不足，重建出的图像会出现伪影（如卷褶伪影），这正是时域混叠在医学影像中的体现。
核心难点：混叠现象与信号重构
理解抽样定理的关键在于理解“如果违反会发生什么”以及“如何恢复信号”。
1. 混叠（Aliasing）的数学本质
时域抽样在频域上等价于原信号频谱的周期性延拓。采样频率为 时，延拓的周期为 。如果 ，相邻周期的频谱会发生重叠。重叠部分的频率成分无法区分，导致信息丢失。这种高频信号“伪装”成低频信号的现象就是混叠。
2. 信号重构：从离散到连续
根据香农插值公式，如果满足抽样定理，原始信号 可以通过其采样值 和理想低通滤波器（sinc函数）完美重构：
x(t) = Σ x(nTs) sinc((t - nTs)/Ts)
n=-∞
其中 sinc(x) = sin(πx) / (πx)
这个公式表明，每个采样点都贡献一个无限延伸的sinc波形，所有这些波形在采样时刻叠加，在其他时刻相互抵消，从而精确地重建出原始曲线。
3. 实际工程中的挑战
- 理想滤波器不可实现：sinc函数是无限长的，且具有矩形频率响应，物理上无法实现。实际中需使用有限阶数的FIR或IIR滤波器近似。
- 非理想采样：实际采样保持电路（Sample-and-Hold）会产生孔径误差，影响高频响应。
- 量化噪声：抽样定理只处理时间离散化，不涉及幅度量化。量化误差是数字信号处理的另一大噪声源。
网友们还关心：抽样定理的周边知识
除了核心定理本身，网民和工程师们通常还关注以下与之紧密相关的进阶话题，这些知识有助于更全面地理解数字信号处理。
〓 过采样（Oversampling）
故意使用远高于奈奎斯特速率的采样率（如64倍、128倍）。好处包括：简化抗混叠滤波器设计、降低量化噪声密度（配合噪声整形）、提高动态范围。Δ-Σ调制器（Delta-Sigma Modulator）就是利用过采样技术的典型代表。
〓 子带编码（Subband Coding）
将信号分解为多个频带，对每个频带独立进行抽样。由于不同频带的带宽不同，可以为每个子带分配最适合的采样率，从而提高整体编码效率。MPEG音频标准（如MP3）就采用了此技术。
〓 压缩感知（Compressed Sensing）
传统抽样定理要求 ，而压缩感知理论指出，如果信号是稀疏的（Sparse），则可以以远低于奈奎斯特速率的采样率进行采样，并通过优化算法重构信号。这突破了传统抽样定理的限制，是近年来的研究热点。
〓 随机采样（Random Sampling）
不同于均匀抽样，随机抽样在某些应用场景（如雷达、生物医学信号）中更具优势。它避免了周期性采样带来的特定频率混叠，但重构算法更为复杂。
时间轴：抽样定理的发展里程碑
1899年
德国工程师哈利·奈奎斯特（Harry Nyquist）在贝尔实验室研究电报传输速率，提出了采样率与带宽的基本关系，但未给出严格证明。
1916年
埃米尔·博雷尔（Émile Borel）等数学家在复变函数理论中隐含了相关思想。
1933年
哈里·奈奎斯特正式发表《Certain Topics in Telegraph Transmission Theory》，给出了严格的数学证明。
1949年
克劳德·香农（Claude Shannon）在《通信的数学理论》中独立重新发现并推广了该定理，使其成为信息论的基石，因此得名“奈奎斯特-香农采样定理”。
21世纪
压缩感知理论的兴起，挑战并拓展了传统抽样定理的适用范围，开启了稀疏信号处理的新篇章。
常见问题解答（FAQ）
以下是网友们在搜索“时域频域抽样定理”时最常提出的问题及其深度解答。
这是由奈奎斯特-香农抽样定理决定的。如果采样率低于最高频率的两倍，高频信号在采样后会“折叠”到低频区域，产生无法区分的混叠（Aliasing）现象，导致原始信号信息永久丢失且无法恢复。两倍频率（奈奎斯特速率）是保证频谱不重叠的临界点。
混叠是指当采样频率不足时，高频信号被错误地重建为低频信号的现象。例如，高速旋转的轮子在视频中看起来像倒转。避免方法包括：1. 提高采样率至信号最高频率的两倍以上；2. 在采样前使用抗混叠低通滤波器滤除高频分量。
时域抽样是将连续时间信号变为离散时间信号，对应频域的周期性延拓；频域抽样是将连续频谱变为离散频谱，对应时域的周期性延拓。时域抽样定理关注的是如何从采样点恢复时间波形，而频域抽样定理关注的是如何从频谱采样点恢复原频谱函数。两者在数学上具有对偶性。
理想重构滤波器是一个截止频率为 的理想低通滤波器，其冲激响应是sinc函数，在时间轴上从 延伸到 。这意味着它需要无限长的历史和无限的未来数据，且具有陡峭的矩形频率响应，这在物理电路中是无法实现的。实际中通常使用巴特沃斯或切比雪夫滤波器等近似实现。
过采样是指采样率远高于奈奎斯特速率（如4倍、8倍或更高）。好处包括：1. 放宽抗混叠滤波器的设计难度（过渡带更宽）；2. 降低量化噪声密度（配合噪声整形可提高有效分辨率）；3. 减少混叠风险。