傅里叶中心切片定理（Fourier Slice Theorem），又称中心切片定理或投影切片定理，是信号处理、图像重建和计算机断层扫描（CT）领域中最核心的数学定理之一。它简洁而深刻地揭示了一个二维函数（如物体密度分布）的二维傅里叶变换，与该函数沿不同方向的一维投影的一维傅里叶变换之间的等价关系。
简单来说，如果你想了解一个物体的内部结构，你不需要直接“看穿”它。相反，你可以从各个角度拍摄它的“影子”（投影）。中心切片定理告诉我们，这些影子的频谱信息，恰好拼接起来就是物体本身在频率域的全貌。这一理论不仅是CT成像的基石，也广泛应用于地震勘探、无损检测及雷达信号处理等领域。
将复杂的二维重建问题转化为一系列简单的一维傅里叶变换问题，极大降低了计算复杂度。
涉及二维空间域 (x,y)、二维频率域 (u,v)、投影角度 θ 以及投影距离 s。
医学CT/MRI、X射线衍射、合成孔径雷达(SAR)、地球物理勘探。
为了深入理解傅里叶中心切片定理，我们需要引入Radon变换的概念。Radon变换描述了函数沿直线的积分，这正是物理世界中“投影”的数学表达。
假设有一个二维图像 。当我们从角度 进行投影时，我们得到的是一个一维函数 ，其中 是垂直于投影方向的坐标。
用数学语言描述，若定义极坐标变换 ，则中心切片定理表述为：
| 符号 | 含义 | 备注 |
|---|---|---|
| 二维空间域函数（如CT切片密度） | 实值函数 | |
| 二维傅里叶变换 | 结果 | |
| 角度 下的Radon投影 | ||
| 投影的一维傅里叶变换 | 结果 | |
| 定理关系 | 频谱切片等价性 |
直接对投影数据进行反投影（Back Projection）会产生模糊的星状伪影，因为每个投影都包含了所有角度的低频信息。中心切片定理提示我们，频谱中的低频部分集中在中心，高频部分在边缘。因此，我们需要在傅里叶域中对数据进行滤波（通常是斜坡滤波器 Ramp Filter），以补偿低频过度采样带来的模糊，然后再进行反投影，这就是著名的滤波反投影算法（FBP）的理论依据。
在计算机断层扫描（Computed Tomography, CT）中，傅里叶中心切片定理是连接探测器数据与医生所见图像的桥梁。
CT扫描仪的X射线管和探测器围绕患者旋转。在每个旋转角度 ，探测器记录下一组透射强度数据，经过对数变换后即为投影 。
这是工业标准算法，直接源于中心切片定理。
如果投影数据不完整（如角度缺失）或有噪声，中心切片定理的假设会被破坏，导致重建图像出现伪影。
对于开发者而言，理解傅里叶中心切片定理意味着能够手动实现图像重建算法。以下是一个简化的Python伪代码逻辑，展示如何利用NumPy和SciPy实现基于中心切片定理的图像重建。
伪代码示例：基于中心切片定理的CT重建
import numpy as np from scipy import ndimage, fft def fourier_slice_reconstruction(projections, angles): """ projections: 2D array, shape (num_angles, num_detectors) angles: 1D array, shape (num_angles,) """ num_detectors = projections.shape[1] # 1. 计算傅里叶域的最大频率 freqs = fft.fftfreq(num_detectors) # 2. 初始化二维傅里叶域 (Frequency Domain) # 注意：实际实现中需处理极坐标到笛卡尔坐标的插值 fourier_domain = np.zeros((num_detectors, num_detectors), dtype=complex) for i, angle in enumerate(angles): # 步骤A: 投影的一维傅里叶变换 proj_fft = fft.fft(projections[i, :]) # 步骤B: 应用斜坡滤波器 (Ramp Filter) |w| # 防止除以零，通常加一个小常数或截断 filtered_proj_fft = proj_fft np.abs(freqs) # 步骤C: 根据中心切片定理，将一维频谱映射到二维频谱的对应切片 # 这里需要坐标旋转和插值，简化示意如下： map_slice_to_2d(fourier_domain, filtered_proj_fft, angle) # 3. 逆二维傅里叶变换得到图像 reconstructed_image = np.real(fft.ifft2(fourier_domain)) return reconstructed_image网友还关心：如何加速计算？
答：可以使用GPU加速FFT运算，或使用查表法加速坐标映射。
上述代码展示了核心流程。在实际工程中，由于二维傅里叶域是笛卡尔坐标，而切片数据是极坐标，因此插值算法（如线性插值、样条插值）的质量直接影响重建精度。
傅里叶中心切片定理并非一蹴而就，它是多位科学家智慧的结晶。
提出了Radon变换，证明了从投影重建函数的数学可能性，为定理奠定了早期基础。
数学家们发现傅里叶变换在解决偏微分方程和信号处理中的强大能力，开始探索投影与频谱的关系。
发明了第一台商用CT扫描仪，并因此获得诺贝尔奖。他的算法核心直接依赖于中心切片定理和滤波反投影思想。
随着计算能力的提升，研究者开始超越传统的FBP，利用中心切片定理作为约束条件，结合统计模型和深度学习进行更高质量的图像重建。