REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL.
1, NÚMERO 2, ABRIL DE 2012
A Transformada Fracional de Fourier:
Conceitos e Cenários de Aplicação
Juliano B. Lima
Universidade Federal de Pernambuco, Recife, PE
Departamento de Matemática
e-mail: juliano@dmat.ufpe.br
Resumo— Este artigo apresenta uma abordagem tutorial
acerca da transformada fracional de Fourier (FrFT). São intro-
duzidos os principais conceitos teóricos relacionados a esta ferra-
menta e discutidas suas diferentes abordagens e interpretações.
Aplicações da FrFT em áreas como Óptica, Comunicações,
Processamento de Sinais e Criptografia são apresentadas.
Palavras-chave— Transformada fracional de Fourier, Trans-
formada discreta fracional de Fourier, Autoestrutura.
I. I NTRODUÇ ÃO
estudo da transformada fracional de Fourier tem a sua
O origem em publicações de Matemática que datam da
primeira metade do século XX [1], [2]. Nesses trabalhos, o
cálculo de uma transformada de Fourier é tratado como a
aplicação de um operador linear, o operador de Fourier, a
uma função (ou sinal) cujo espectro se deseja obter. Seguindo
essa ideia, foi possı́vel investigar as sucessivas transformações
de uma função pelo operador de Fourier, o que corresponde a
calcular potências do operador e aplicar o resultado à respec-
tiva função. A transformada fracional de Fourier (FrFT) é uma
generalização do procedimento, em que potências não-inteiras
do operador de Fourier podem também ser consideradas.
Após ter permanecido esquecida por muitos anos, a
transformada fracional de Fourier foi redescoberta por
pesquisadores de diferentes campos do conhecimento. Em
Mecânica Quântica, Óptica e Processamento de Sinais, a
FrFT reapareceu como uma ferramenta matemática bastante
útil, com aplicações baseadas em novos resultados teóricos
e interessantes interpretações [3], [4], [5]. No plano tempo-
frequência, por exemplo, o cálculo da transformada fracional
de Fourier de um sinal no domı́nio do tempo (eixo horizontal,
apontando para a direita) pode ser visto como uma rotação, no
sentido anti-horário, por um ângulo α = aπ/2, a ∈ R (vide
Figura 1). Isso significa que, se o parâmetro a for não-inteiro,
o sinal é levado para um domı́nio intermediário que, do ponto
de vista fı́sico, representa algo entre o tempo e a frequência.
Em Óptica, a FrFT está relacionada a sistemas cuja saı́da é
exatamente a transformada de Fourier do sinal de entrada [5].
Esses sistemas produzem sequências de imagens de um objeto.
A certas distâncias, o próprio objeto ou sua transformada
de Fourier, bem como suas versões invertidas, podem ser
Juliano. B. Lima é professor adjunto do Deparatamento de Matemática,
Centro de Ciências Exatas e da Natureza, Univesidade Federal de Pernambuco.
Artigo recebido em 23 de fevereiro de 2012. Artigo aceito em 19 de março
de 2012
1
frequência: X( f ) = Xπ/2(u)
Xα+π/2(u) Xα(u)
tempo: x(t) = X0(u)
Fig. 1: Plano tempo-frequência; rotação dos eixos de tempo e
de frequência pelo ângulo α = aπ/2.
observados; em distâncias arbitrárias, a transformada fracional
de Fourier do objeto é obtida.
Seguindo a mesma linha das transformadas ordinárias, após
a FrFT no contı́nuo, a transformada discreta fracional de
Fourier (DFrFT) foi introduzida [6], [7], [8]. A DFrFT pode
ser vista como uma aproximação da FrFT, aplicável a um
vetor com um número finito de componentes obtidas, digamos,
por meio da amostragem de um sinal. De forma análoga à
transformada discreta de Fourier (DFT), sob o ponto de vista
computacional, a DFrFT possui grande importância para a
realização de cálculos práticos.
Neste artigo, é apresentada uma abordagem tutorial acerca
da transformada fracional de Fourier e de suas diferentes
versões. A intenção é demonstrar o grande potencial que
a ferramenta possui, por meio de descrições dos aspectos
teóricos envolvidos e de ilustrações dos cenários em que
ela se aplica. Após esta introdução, é descrita a transfor-
mada fracional de Fourier nos domı́nios temporal, espectral
e fracional contı́nuos. Na Seção III, são discutidas duas das
principais abordagens para a transformada discreta fracional
de Fourier. Em seguida, na Seção IV, são descritos alguns
dos mais importantes cenários de aplicação das transformadas
fracionais de Fourier. Finalmente, na Seção V, são feitas
algumas considerações conclusivas deste trabalho.
II. A T RANSFORMADA F RACIONAL DE F OURIER
Na seção introdutória deste trabalho, foi descrita a relação
entre a transformada fracional de Fourier e rotações realizadas
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012
no plano tempo-frequência. Esta é a interpretação empre-
gada, nesta seção, para definir a FrFT de maneira precisa.
Lembrando que a associação entre o ângulo de rotação α
e o parâmetro fracional a é dada por α = aπ/2, pode-
se, inicialmente, indicar algumas propriedades que devem ser
satisfeitas pela transformada, a qual é denotada, a partir de
agora, pelo operador Fa .
Em primeiro lugar, se α = a = 0, tem-se a rotação nula
e, assim, F0 = I corresponde ao operador identidade. Se
α = π/2 (a = 1), F1 = F corresponde ao operador trans-
formada de Fourier usual. Além disso, deve-se ter aditividade
nas rotações, isto é, Fa1 Fa2 = Fa1 +a2 . Finalmente, observa-
se que as rotações possuem perı́odo 2π, o que significa que,
para qualquer valor de a, tem-se Fa = Fa+4 .
A transformada fracional de Fourier que satistaz as pro-
priedades mencionadas é definida por meio do núcleo Kα (t, u)
apresentado em (1). A FrFT de x(t) é, portanto, calculada por
Z ∞
Xα (u) = x(t)Kα (t, u)dt. (2)
−∞
É importante observar que a opção por empregar a letra
u para indicar o domı́nio ao qual o sinal é levado após a
transformação sugere que, com a FrFT, mais possibilidades são
permitidas, e não apenas as possibilidades de representação no
domı́nio do tempo ou no da frequência. Observa-se, ainda, que
o operador Fa é unitário, isto é, (Fa )−1 = F−a .
O núcleo da transformada fracional de Fourier admite a
seguinte expansão espectral [6]:
∞ inicialmente, alguns aspectos referentes à autoestrutura da
π
X
Kα (t, u) = ψk (t)e−j 2 ka ψk (u), (3)
k=0
em que ψk (t) denota a k-ésima função Hermite-Gaussiana
π
e e−j 2 ka corresponde à a-ésima potência do autovalor
π A transformada discreta de Fourier de uma sequência x =
λk = e−j 2 k da transformada de Fourier ordinária. A função
Hermite-Gaussiana de k-ésima ordem é, por sua vez, definida
por
21/4 √ 2
ψk (t) = √ Hk ( 2πt)e−πt , k = 0, 1, . . . , (4)
k
2 k!
em que Hk é o k-ésimo polinômio de Hermite, o qual possui
k raı́zes reais. As funções Hermite-Gaussianas são conhecidas
por serem autofunções do operador transformada de Fourier.
A expressão da FrFT por meio da expansão espectral (3),
a qual emprega as funções Hermite-Gaussianas, é particu-
larmente importante, pois, a partir dela, são desenvolvidas
algumas abordagens que levam a versões discretas da referida
transformada.
III. A T RANSFORMADA D ISCRETA F RACIONAL DE
F OURIER
Após a consolidação das definições e propriedades da trans-
formada fracional de Fourier, tornou-se natural a busca por
versões discretas da ferramenta. Uma transformada discreta
fracional de Fourier (DFrFT) seria, para a FrFT, o análogo do
que a transformada discreta de Fourier (DFT) representa para a
transformada de Fourier ordinária. Além do preenchimento de
uma lacuna teórica na famı́lia das transformadas fracionais, a
2
concepção de uma DFrFT teria também o papel de viabilizar a
implementação prática da FrFT e de alargar o seu horizonte de
utilização, tornando-a diretamente aplicável a imagens, áudio,
vı́deo e outras informações que, hoje, são mais comumente
encontradas no formato digital.
Em meados da década de 1990, diversos trabalhos con-
tendo propostas de definições para a DFrFT começaram a ser
publicados. Em alguns dos trabalhos, versões discretas das
funções Hermite-Gaussianas (autovetores da transformada de
Fourier) eram obtidas por meio de uma espécie de amostragem
aplicada às funções originais, de tempo contı́nuo. Com isso,
podia-se desenvolver uma expansão espectral análoga àquela
dada em (3) e obter um operador fracional aplicável a vetores
(ou sequências) resultantes da amostragem de um sinal de
entrada. Na abordagem, apesar de os autovetores serem obti-
dos a partir de fórmulas fechadas, não existe ortogonalidade
entre eles, visto que a operação de amostragem envolve
aproximações [9], [10].
As abordagens da DFrFT que têm aparecido com mais
frequência na literatura são aquelas baseadas em matrizes que
comutam com a matriz de transformação da DFT, denotada
aqui por F [11], [12], [6], [13], e aquelas baseadas na
construção de conjuntos especı́ficos de seus autovetores [8].
No presente trabalho, duas dessas abordagens são revistas
com um pouco mais de detalhes. Além disso, são discutidas
de forma resumida definições da transformada fracional de
Fourier em corpos finitos. Para que se compreenda com clareza
os desenvolvimentos que serão apresentados, são discutidos,
matriz F.
A. Autoestrutura da transformada discreta de Fourier
(xi ), xi ∈ C, i = 0, 1, . . . , N − 1, corresponde à sequência
X = (Xk ), Xk ∈ C, k = 0, 1, . . . , N − 1, cujas componentes
são calculadas por
N
X −1
2πki
N j
Xk = xi e− . (5)
i=0
A obtenção de X pode ser expressa pela equação matricial
X = Fx, (6)
em que F representa a matriz de transformação cujo elemento
da (k + 1)-ésima linha e da (i + 1)-ésima coluna é dado por
2πki
Fk,i = e− N j . Mostra-se que os únicos autovalores da matriz
F são 1, −1, j e −j, cujas multiplicidades, as quais dependem
de N , são apresentadas na Tabela I [14]. Os autovetores de F
relacionados aos autovalores ±1 (resp. ±j) possuem simetria
par (resp. ı́mpar). Além disso, há procedimentos sistemáticos
para a construção de cada um desses autovetores [15].
A obtenção da transformada discreta fracional de Fourier
requer algum método para calcular Fa , em que a ∈ R. A
maior parte das abordagens para a obtenção de Fa se baseia
na expansão espectral de F, a qual é dada por
F = VΛVT . (7)
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012 3

 q 2 2
1−jcotα j t +u

 2π e 2 cotα−jutcscα , se α não for um múltiplo de π,
Kα (t, u) = δ(t − u), se α for um múltiplo de 2π, (1)

δ(t + u), se α + π não for um múltiplo de 2π.


TABELA I: Multiplicidades dos autovalores de F, a matriz da da qual as funções Hermite-Gaussianas são soluções. Por isso,
transformada discreta de Fourier com dimensões N × N . essa abordagem para a DFrFT é considerada análoga à FrFT
definida a partir da expansão espectral (3). Como todos os
N Mult. 1 Mult. −1 Mult. j Mult. −j
autovalores de S são distintos, o seu conjunto de autovetores
4n n+1 n n−1 n é único. Tais autovetores são tidos como funções Hermite-
4n + 1 n+1 n n n
4n + 2 n+1 n+1 n n
Gaussianas discretas e empregados na obtenção de Fa a partir
4n + 3 n+1 n+1 n n+1 de (8).
Para a obtenção propriamente dita dos autovetores de S,
considera-se a matriz
 √ 
Na Equação (7), V é uma matriz cujas colunas são autovetores 2 0 ··· 0 0 ··· 0
pertencentes a um conjunto ortonormal de autovetores de F e  0 1 1 
VT é sua versão transposta; Λ é uma matriz diagonal, cujo  ..
 
. .. . . 
√
 . . 
elemento na (k + 1)-ésima linha e na (k + 1)-ésima coluna é  
π
o autovalor λk = e−j 2 k de F, ao qual o autovetor na (k + 1)- P= 2  0 −1  1 1  , (10)

 0 1 −1
ésima coluna de V está associado. Dessa forma, obtém-se Fa

 
 . . ..
 .. .

fazendo, simplesmente, . . 
Fa = VΛa VT , (8) 0 1 −1
a
em que cada elemento não-nulo de Λ é dado pela a-ésima a qual possui dimensões1 N × N . A matriz P satisfaz P =
potência do elemento na posição correspondente em Λ. Devido PT = P−1 e a transformação de similaridade
às multiplicidades dos λk , o conjunto de autovetores empre-  
gado na construção de V não é único. Assim, é necessário Ev 0
PSP−1 = (11)
um procedimento sistemático que direcione a sua escolha e 0 Od
que permita, segundo um critério objetivo, uma ordenação produz as matrizes simétricas tridiagonais Ev e Od, com
não ambı́gua dos vetores encontrados. Isso levou a diferentes dimensões ⌊ N2 ⌋ + 1 e ⌊ N2−1 ⌋ respectivamente. A unicidade
abordagens para a DFrFT, as quais são distintas justamente do conjunto de autovetores procurado é confirmada pelo fato
pela forma como os referidos autovetores são obtidos e de que todos os autovalores de matrizes tridiagonais são
organizados. Duas dessas abordagens são apresentadas nas distintos [16]. Finalmente, os autovetores pares de S são
Subseções III-B e III-C, em que se explica fundamentalmente obtidos por
o procedimento para obtenção dos autovetores a serem utiliza-  
dos como colunas de V. T N
v2k = P eTk | 0 . . . 0 , k = 0, . . . ,

, (12)
2
B. DFrFT a partir de matrizes comutantes com F
em que ek é um autovetor de Ev; os autovetores ı́mpares de
Diversas abordagens para a DFrFT são baseadas na S são obtidos por
construção de matrizes que comutam com a matriz F e na  
obtenção de seus autovetores [6], [11], [12], [13]. O fato T N −3
v2k+1 = P 0 . . . 0 | oTk , k = 0, . . . ,

, (13)
de duas matrizes comutarem garante que elas possuem um 2
conjunto de autovetores em comum [16]. Construindo uma
matriz que comute com F e que possua apenas um conjunto em que ok é um autovetor de Od. Quando N é par, o vetor
de autovetores a escolher, elimina-se a ambiguidade descrita vN −1 é nulo. Os autovetores vk são ordenados segundo o
ao final da Subseção III-A. número de inversões de sinal verificado ao longo de suas
A abordagem foi primeiramente empregada por Candan et componentes.
al. em [6], que empregaram a matriz comutante
 
C0 1 0 ... 1 C. DFrFT a partir de autovetores gerados por sequências de
 1 C1 1 . . . 0  Legendre generalizadas completas [8]
 
 0 1 C2 . . . 0 
S= , (9) As sequências de Legendre generalizadas (GLS), da forma
 .. .. .. . . .. 
 . . . . .  como são conhecidas na literatura, são definidas para o caso
1 0 0 . . . CN −1 em que N = pl é a potência de um número primo p.

em que Cn = 2[cos 2π


N n − 2]. A matriz S, que comuta com 1 Em (10), N é ı́mpar; para valores pares de N , a matriz P é semelhante
F, é originária de uma versão discreta da equação diferencial à matriz apresentada [6].
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012 4

1) Se p > 2, Esta propriedade é utilizada na construção dos autovetores de

( j2πa(indg n) F que serão utilizados na expansão espectral (8). De modo
ηa,l (n) = e ϕ(pl ) , se mdc(n, p) = 1, (14) mais especı́fico, tais autovetores são derivados a partir de
0, se mdc(n, p) 6= 1, combinações lineares do conjunto ortogonal de CGLS
a = 0, 1, . . . , ϕ(pl ) − 1, n = 0, 1, . . . , pl − 1; mdc(n, p)
h i
Gs = χA,L,S , χ∗A,L,S , χAP S−R ,L,S , χ∗AP S−R ,L,S ,
denota o máximo divisor comum entre os inteiros n e
p; o sı́mbolo ϕ representa a função de Euler; o operador conforme:
indg denota o logaritmo modular, isto é, indg (n) = m 1) Quando Gs for um conjunto de CGLS com simetria par,
se n = g m mod(pl ).
2) Se p = 2, [e1a e−1a e1b e−1b ] = Gs As ,
a) Quando l = 1, η0,1 (n) = [0 1]. em que
b) Quando l = 2, η0,l (n) = [0 1 0 1]  
e η1,l (n) = [0 1 0 − 1]. 1 −1 −j j
c) Quando l > 2, encontra-se um número inteiro b 1 1 −1 j −j 
As =  . (15)
(n−1)c
que satisfaça n ≡ (−1) 2 5b , c = 0, 1, quando 2  λ∗ λ∗
jλ ∗
jλ∗ 
n for ı́mpar, e produz-se λ λ −jλ −jλ
2) Quando Gs for um conjunto de CGLS com simetria
( j2πab
(n−1)c

ηa,c,l (n) = (−1) 2 e 2l−2 , se n for ı́mpar, ı́mpar,

0, se n for par,
[eja e−ja ejb e−jb ] = Gs As ,
c = 0, 1, a = 0, 1, . . . , 2l−2 − 1. em que
Empregando a definição apresentada, pode-se gerar apenas  
ϕ(pl ) = pl−1 (p − 1) sequências, a partir das quais não se 1 −1 −j j
consegue construir o espaço vetorial VN , em que N = pl . 1 1 −1 j −j 
As =  . (16)
Para contornar a restrição, foram propostas as CGLS (GLS 2 jλ∗ jλ∗ −λ∗ −λ∗ 
completas), as quais incluem o parâmetro adicional s e são −jλ −jλ −λ −λ
definidas da seguinte forma: Os ı́ndices 1, −1, j e −j denotam os autovalores cor-
(k), para n = kps , respondentes; os ı́ndices A, S, P , L e R correspondem

η
 a,(l−s)

k = 1, 2, 3, . . . , pl−s − 1, aos vetores [a1 , a2 , . . . , ak ], [s1 , s2 , . . . , sk ], [p1 , p2 , . . . , pk ],

χa,l,s (n) = [l1 , l2 , . . . , lk ] e [r1 , r2 , . . . , rk ] respectivamente. O conjunto
 se mdc(k, p) = 1,
de autovetores obtido é completo e construı́do a partir de

0, caso contrário,

fórmulas fechadas que podem ser implementadas por meio
a = 0, 1, . . . , ϕ(pl−1 ) − 1, s = 0, 1, . . . , l − 1. Quando s = l, de algoritmos rápidos. Além disso, o conjunto é ortogonal e
a deve ser zero e bem definido para qualquer valor de N .
χ0,l,0 (0) = 1, χ0,l,l (n) = 0, quando n 6= 0.
Quando p = 2 e s < l − 2, tem-se χa,c,l,s (n) = ηa,c,(l−s) (k). D. A transformada fracional de Fourier sobre corpos finitos
Além disso, neste caso, a = 0, 1, 2, . . . , 2l−s−2 − 1 e c = 0, 1. Em [17] e [18], foram propostas abordagens para a trans-
Podem ser construı́das CGLS com comprimentos arbitrários formada de Fourier num contexto bem diferente daqueles que
N = pl11 pl22 . . . plkk , a partir da multiplicação das CGLS vinham sendo considerados em trabalhos anteriores. Tratam-se
definidas para cada plii , da seguinte forma: de transformadas fracionais de Fourier definidas sobre corpos
finitos. Essas ferramentas correspondem a generalizações da
χa1 ,a2 ,...,ak ,l1 ,l2 ,...,lk ,s1 ,s2 ,...,sk (n) transformada de Fourier de corpo finito, a qual, sob determi-
= χa1 ,l1 ,s1 (n)χa2 ,l2 ,s2 (n) . . . χak ,lk ,sk (n). nadas condições, pode ser denominada transformada númerica
No presente contexto, a propriedade mais importante das (NTT, do inglês number-theoretic transform), que possui
CGLS é a que relaciona essas sequências com a matriz F e aplicações em áreas como codificação de canal e cálculo de
que é expressa por convoluções rápidas.
De maneira mais especı́fica, a abordagem apresentada
F{χa1 ,a2 ,...,ak ,l1 ,l2 ,...,lk ,s1 ,s2 ,...,sk (n)} em [17] corresponde a uma extensão ao cenário de corpos
= λχ∗a ps1 −r1 ,a ps2 −r2 ,...,a psk −rk ,l , finitos da abordagem para a DFrFT proposta em [8] e descrita
1 1 2 2 k k 1 ,l2 ,...,lk ,r1 ,r2 ,...,rk
na Subseção III-C. São construı́das sequências de Legendre
em que generalizadas completas sobre corpos finitos, a partir das quais
são obtidos os autovetores da NTT que se deseja fracionalizar.
λ = λ1 λ2 . . . λk χa1 ,l1 ,s1 (N ps11 −l1 )χa2 ,l2 ,s2 (N ps22 −l2 ) . . . A obtenção propriamente dita da transformada é feita por meio
χak ,lk ,sk (N pskk −lk ), de uma expansão espectral análoga à apresentada em (8). A
diferença é que a matriz F representa, agora, a matriz da NTT.
F{χai ,li ,si }
λi = e χ∗ai ,li ,si = χϕ(pli )−ai ,li ,si (n). A proposta apresentada em [18] corresponde a uma extensão
χ si −ri
∗ (n) i
ao cenário de corpos finitos da abordagem para a DFrFT
ai pi ,li ,ri
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012
Imagem de Imagem
entrada cifrada
a1 a2 an
F F F
RPK RPK RPK
1 2 n SLM
Fig. 2: Diagrama de blocos de um sistema óptico para cifragem
de imagens.
baseada na matriz comutante S. Neste caso, são necessários
conceitos de trigonometria em corpos finitos, a fim de que
se possa definir senos e cossenos sobre essas estruturas
algébricas. Os autovetores da versão sobre corpos finitos da
matriz S são tidos como funções Hermite-Gaussianas sobre
corpos finitos e empregados na expansão espectral (8).
Até o presente momento, ainda não foram exploradas
aplicações para as transformadas fracionais de Fourier sobre
corpos finitos. No entanto, por se tratarem de ferramentas
que requerem o uso da teoria dos números e da aritmética
modular, espera-se que essas transformadas se encaixem bem,
particularmente, em aplicações na área de Criptografia e
Códigos Corretores de Erros.
IV. C EN ÁRIOS DE A PLICAÇ ÃO
Conforme descrito na parte introdutória deste tra-
balho, a transformada fracional de Fourier representa uma
generalização da transformada de Fourier ordinária. Por conta
disso, é intuitiva a ideia de que, em função de sua fle-
xibilidade, a FrFT deve se adequar tanto às aplicações já
cobertas pela transformada usual quanto a novos cenários em
que suas particularidades possam ser exploradas. De fato,
essa expectativa tem sido confirmada pelos trabalhos que
têm aparecido em quantidade e diversidade consideráveis em
eventos e periódicos de grandes áreas do conhecimento.
Para esta seção, foram escolhidos três cenários de aplicação
da transformada fracional de Fourier, os quais são apresentados
de forma resumida. Inicialmente, é descrita a utilização da
FrFT em técnicas voltadas à segurança de informação, como
a marca d’água e a cifragem de imagens. Em seguida, é
apresentado o uso da transformada na filtragem de sinais. Por
fim, são discutidas algumas possibilidades de uso da trans-
formada fracional de Fourier em sistemas de comunicação. A
fim de complementar o material desta seção, outros cenários
de aplicação são mencionados.
A. Técnicas para segurança de informação baseadas na trans-
formada fracional de Fourier
Com o crescimento das redes de comunicação e da fa-
cilidade para compartilhar dados digitais, o desenvolvimento
de técnicas voltadas à segurança de informação tem recebido
cada vez mais atenção da comunidade cientı́fica. Quando se
trata de informação multimı́dia e, em particular, de imagens
digitais, essas técnicas podem ser classificadas basicamente
em esteganografia, marca d’água e cifragem [19], [20]. Numa
marca d’água digital, introduz-se uma espécie de assinatura
na imagem que se deseja proteger. Tal inserção deve ser
5
CCD Computador
Lente
Fig. 3: Implementação óptica de uma técnica para cifragem
de imagens baseada na transformada fracional de Fourier.
visualmente e estatisticamente imperceptı́vel, a fim de que
as caracterı́sticas da imagem original sejam modificadas o
mı́nimo possı́vel. Quando se recebe uma imagem marcada,
é possı́vel verificar se ela sofreu algum tipo de manipulação
não-autorizada ou se a assinatura nela contida corresponde à da
entidade que alega ser o remetente ou o detentor dos direitos
sobre aquela imagem.
Em [21], uma das primeiras técnicas de marca d’água
baseada na FrFT foi proposta. De forma sucinta, o que se faz
é calcular uma FrFT bidimensional da imagem a ser marcada
e ordenar os coeficientes obtidos. A marca d’água é, então,
inserida nos coeficientes que possuem valores intermediários.
Não se introduz a marca nos coeficientes com valores baixos,
pois esta se tornaria muito sensı́vel a manipulações que a
imagem viesse a sofrer; por outro lado, não se introduz a marca
nos coeficientes com valores altos, pois tal inserção poderia
modificar consideravelmente o aspecto da imagem.
A possibilidade adicional suportada pelo uso da FrFT está
relacionada ao domı́nio em que a marca é inserida. Mais
precisamente, como a FrFT usada nesta aplicação é bidi-
mensional, é necessário que se conheçam dois valores para
o parâmetro fracional a (aquele associado à transformada
aplicada às linhas da imagem e aquele associado à trans-
formada aplicada às colunas da imagem), a fim de que a
verificação da marca seja feita no domı́nio fracional adequado.
A transformada fracional de Fourier também é utilizada nas
técnicas de marca d’água propostas em [22] e [23], por
exemplo.
A cifragem de uma imagem corresponde à sua
transformação numa imagem visualmente distorcida, de modo
que se possa conseguir confidencialidade no armazenamento
ou na transmissão por um canal de comunicação susceptı́vel a
ataques. Neste cenário, um número considerável de trabalhos
tem sido desenvolvido [24], [25], [26]. Muitas das abordagens
propostas são baseadas no processamento da imagem por meio
de sistemas ópticos. Utilizando aparatos especı́ficos, como
lentes e moduladores espaciais de luz (SLM, do inglês spatial
light modulator), pode-se, por exemplo, multiplicar uma
imagem por uma fase aleatória e, em seguida, aplicar uma
FrFT bidimensional. Neste caso, armazena-se a intensidade da
imagem resultante do processamento e a chave criptográfica
corresponde aos parâmetros fracionais empregados no
processo. A decifragem é conseguida realizando o processo
inverso [27].
Na Figura 2, representa-se o procedimento de cifragem
descrito [27]. A ilustração indica n sucessivas etapas de
multiplicação da imagem por uma máscara com fase aleatória
(RPK, do inglês random phase mask) e de aplicação de uma
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012 6

na FrFT com métodos fundamentados noutras ferramentas.

Também é importante dizer que a técnica descrita poderia
ter sido completamente implementada num computador. Neste
caso, ter-se-ia que considerar, principalmente, a abordagem
empregada no cálculo da transformada fracional de Fourier.

B. Filtragem no domı́nio da transformada fracional de

(a) (b)
Fig. 4: (a) Imagem lena após a passagem pelo sistema de
cifragem e (b) recuperada após a decifragem com a chave
correta.
FrFT. Ao final do processo, a imagem cifrada é obtida. A
implementação óptica da técnica é realizada por um sistema
como o apresentado na Figura 3. No sistema, o SLM é
responsável pela projeção da imagem de entrada, a lente
implementa a FrFT e o CCD (dispositivo de carga acoplada,
do inglês charged-coupled device) converte o sinal óptico num
sinal digital a ser armazenado num computador.
A Figura 4 apresenta o resultado da técnica de cifragem
descrita aplicada à imagem lena, bastante conhecida das comu-
nidades de óptica e de processamento de imagem. Na mesma
figura, apresenta-se a imagem cifrada e a imagem recuperada,
após o processo de decifragem aplicado com a chave correta.
Caso tivesse sido utilizada a chave incorreta (parâmetros
fracionais diferentes daqueles empregados na cifragem), o
processo de decifragem resultaria numa imagem distorcida,
semelhante à imagem cifrada. A sensibilidade da decifragem
à chave empregada neste processo é ilustrada na Figura 5. No
eixo horizontal, são marcados os desvios sobre um parâmetro
fracional pertencente à chave e, no eixo vertical, marca-se o
erro médio quadrático (MSE, do inglês mean square error)
entre a imagem original (anterior à cifragem) e a imagem
recuperada após a decifragem.
Naturalmente, a avaliação do desempenho da técnica des-
crita requer uma série de métricas e análises que levem
Fourier
Nas últimas décadas, a filtragem tem sido uma das
aplicações mais exploradas da transformada fracional de
Fourier [28], [29], [30], [31]. As particularidades e as
manipulações matemáticas consideradas nas várias abordagens
deste problema são bastante diversificadas, de maneira que,
aqui, optar-se-á por descrever o princı́pio geral que faz com
que o uso da FrFT, neste contexto, permita mais possibilidades
que aquelas conseguidas com o uso da transformada de Fourier
ordinária.
Quando se deseja realizar filtragem, usando a transformada
ordinária, a única possibilidade, além da análise no domı́nio
do tempo, é a análise no domı́nio da frequência. Isso torna im-
praticável, por exemplo, a separação de dois sinais que se su-
perpõem tanto no domı́nio do tempo quanto no da frequência.
Aplicando uma FrFT ao sinal misturado no domı́nio do tempo,
é possı́vel que se obtenha uma representação num domı́nio
intermediário (fracional) em que os dois sinais estejam satisfa-
toriamente separados. Neste domı́nio, pode-se, então, aplicar
um filtro que permita a passagem apenas do sinal de interesse.
Após isto, aplicando a FrFT inversa, obtém-se, novamente no
domı́no do tempo, o sinal filtrado.
A operação descrita é ilustrada de uma forma bastante
didática na Figura 6. Da esquerda para a direita e de cima
para baixo, apresenta-se um sinal (pulso Gaussiano) misturado
com um ruı́do senoidal no domı́nio do tempo. Em seguida,
apresenta-se o mesmo sinal num domı́nio fracional de Fourier;
observa-se que, neste domı́nio, o pulso e o ruı́do estão sepa-
rados, cada um deles sendo representado por um pulso. Neste
pulso Gaussiano + ruído pulso Gaussiano + ruído
1.5 2.5

em conta, por exemplo, o espaço de chaves, a correlação 1

2

entre os pixels vizinhos da imagem cifrada, a modificação 1.5

sinal

sinal

do histograma etc. Isso permite comparar a cifragem baseada 0.5

1

0
0.5

6000 0.5 0
0 10 20 30 40 0 10 20 30 40
5000 tempo domínio fracional

4000 pulso Gaussiano após filtragem pulso Gaussiano após filtragem

MSE

2.5 1.5

3000
2
1
2000
1.5
sinal

sinal

1000 0.5
1
0 0
-0,5 -0,3 -0,1 0,1 0,3 0,5 0.5

Desvio sobre o parâmetro fracional 0 0.5

0 10 20 30 40 0 10 20 30 40
de decifragem correto domínio fracional tempo

Fig. 5: Sensibilidade do processo de decifragem a desvios Fig. 6: Etapas da operação de filtragem no domı́nio da trans-
sobre um parâmetro fracional utilizado como chave. formada fracional de Fourier.
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012
frequência
u2
u1
α2
α1
tempo
Fig. 8: Representação do sistema TODM no plano tempo-
frequência.
domı́nio, é aplicada a filtragem, a fim de que o ruı́do (pulso
com amplitude menor) seja rejeitado. Por fim, aplica-se a FrFT
inversa e o pulso Gaussiano livre do ruı́do é recuperado.
C. Aplicações em sistemas de comunicação
Outra aplicação da transformada fracional de Fourier que
tem sido bastante explorada é a multiplexação. Originalmente,
a multiplexação no domı́nio da FrFT consiste em rotacionar os
sinais para uma direção fixa no plano tempo-frequência. Dessa
forma, os sinais são transmitidos usando diferentes faixas do
espectro, o que pode levar ao aumento de eficiência no uso
da largura de banda, em comaparação com a muliplexação no
domı́nio de Fourier (não-fracional) [32]. A partir deste con-
ceito, sistemas OFDM baseados na FrFT foram propostos [33],
[34]. Um desses sistemas é ilustrado na Figura 7 [33]. O dia-
grama da figura corresponde à utilização de bases ortogonais
de sinais do tipo chirp no lugar de bases ortogonais compostas
por sinais senoidais. Isso torna o sistema mais adequado ao
tratamento de sinais não-estacionários, levando-o a ter um
desempenho melhor, sob alguns aspectos, que os esquemas
tradicionais. Os estágios de modulação e de demodulação são
derivados a partir dos blocos correspondentes nos esquemas
tradicionais.
Recentemente, foi proposto um esquema de multiplexação
que sugere um melhor aproveitamento do plano tempo-
frequência por meio da FrFT [35]. Nesse sistema, que foi
denominado multiplexação por divisão de ordem de trans-
formada (TODM, do inglês transform order division multi-
plexing), a informação original é transmitida em múltiplas
direções no plano tempo-frequência (vide Figura 8). Nesse
caso, as funções de base são a união dos núcleos da FrFT
para cada uma das diferentes ordens fracionais empregadas.
Devido à não-ortogonalidade dessas funções, algoritmos de
demodulação especı́ficos são necessários. Ao preço de uma
complexidade maior, o esquema provê mais segurança, em
comparação com os sistemas mencionados anteriormente, o
que o torna um potencial candidato a aplicações em redes
locais sem fio, comunicações seguras, marca d’água etc.
Ainda no contexto de sistemas de comunicação, a trans-
formada fracional de Fourier tem encontrado aplicações em
esquemas de comunicação multiusuário. Nesse caso, o que
7
se faz é utilizar autovetores da DFrFT como sequências de
usuários que desejam se comunicar simultaneamente por um
canal somador real. A ideia foi introduzida em [15] e, origi-
nalmente, empregava autovetores da DFT. Fazendo com que
usuários diferentes transmitam seus dados sobre autovetores
pertencentes a subespaços distintos, pode-se, na recepção,
recuperar o autovetor referente a um usuário especı́fico. Isso
se faz por meio da solução de um sistema de equações lineares
ou pelo cálculo de uma correlação, uma vez que os subespaços
são ortogonais.
Como a matriz da DFT possui, no máximo, quatro autova-
lores distintos, este é também o limite do número de usuários
simultâneos que o sistema original comporta. Utilizando a
DFrFT, matrizes de transformação com um número arbitrário
de autovalores distintos podem ser definidas, o que permite
a concepção de esquemas com um número também arbitrário
de usuários simultâneos [36]. Atualmente, têm sido conduzidas
investigações em que se busca avaliar as diversas implicações
práticas com as quais sistemas desse tipo precisam lidar.
Tem-se procurado, particularmente, formas de comparar o
desempenho desses sistemas, sob diferentes aspectos, com o
de sistemas como o CDMA (múltiplo acesso por divisão de
código, do inglês code-division multiple-access), em que são
usadas sequências de usuário binárias.
D. Outros cenários de aplicação
Além dos cenários de aplicação descritos nas subseções an-
teriores, outras áreas têm sido contempladas pela transformada
fracional de Fourier. Técnicas baseadas na FrFT têm feito parte
de sistemas de radar. Mais informações acerca disso podem
ser encontradas em [37] e [38]. A transformada fracional de
Fourier também pode ser usada em técnicas de compressão de
sinais. Em [39], por exemplo, a DFrFT é utilizada de forma
combinada com o particionamento de conjuntos em árvores
hierárquicas e proporciona, sob alguns aspectos, melhores
resultados que aqueles obtidos com a transformada discreta
do cosseno (DCT).
A transformada fracional de Fourier, em suas diferentes
versões, também pode ser aplicada ao reconhecimento de
padrões, ao processamento de sinais fractais, à solução de
equações diferenciais, à tomografia computadorizada, ao di-
agnóstico de falhas em motores de indução, à amostragem e
reconstrução de sinais etc [40], [41], [42], [43], [44].
V. C ONCLUS ÕES
Neste artigo, foi apresentada uma abordagem tutorial acerca
da transformada fracional de Fourier. Foram apresentadas, de
forma resumida, as definições da transformada nos domı́nios
temporal, espectral e fracional contı́nuos e discretos. Além
disso, foram mencionados os fundamentos que levaram à
definição de transformadas fracionais de Fourier sobre corpos
finitos. Em qualquer um dos casos, a transformada fracional
de Fourier, por depender do chamado parâmetro fracional,
amplia o horizonte de aplicações e envolve uma diversidade
de conceitos maior que aquela requerida pelas transformadas
de Fourier ordinárias.
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012
Domínio Transformada Distorções
fracional fracional de do canal no
de Fourier Fourier inversa domínio
fracional
n(t)
-a
S/P F P/S H S/P
Prefixo
cíclico
(inserção)
Fig. 7: Diagrama de blocos de um sistema com múltiplas portadoras baseado na FrFT.
Apesar de estar ganhando cada vez mais espaço em
publicações de importantes áreas do conhecimento, a transfor-
mada fracional de Fourier ainda é relativamente pouco conhe-
cida. A continuidade no avanço da caracterização teórica e a
consolidação de técnicas baseadas na FrFT devem, entretanto,
colaborar para a sua popularização entre os membros das di-
versas comunidades cientı́ficas. Com isso, novas possibilidades
poderão ser exploradas e contribuições ainda mais relevantes
poderão ser conseguidas por meio desta ferramenta.
R EFER ÊNCIAS
[1] N. Wiener, “Hermitian polynomials and Fourier analysis,” J. Math.
Phys., vol. 8, pp. 70–73, 1929.
[2] E. U. Condon, “Immersion of the Fourier transform in a continuous
group of functional transformations,” Proc. National Academy Sciences,
vol. 23, pp. 158–164, 1937.
[3] L. B. Almeida, “The fractional Fourier transform and time-frequency
representations,” IEEE Transactions on Signal Processing, vol. 42, no.
11, pp. 3084–3091, November 1994.
[4] V. Namias, “The fractional order Fourier transform and its application in
quantum mechanics,” J. Inst. Math. Appl., vol. 25, pp. 241–265, 1980.
[5] D. Mendlovic and H. M. Ozaktas, “Fractional Fourier transforms and
their optical implementation: I,” J. Opt. Soc. Amer. A, vol. 10, pp. 1875–
1881, 1993.
[6] C. Candan, M. Alper Kutay, and H. M. Ozaktas, “The discrete fractional
Fourier transform,” IEEE Transactions on Signal Processing, vol. 48,
no. 5, pp. 1329–1337, May 2000.
[7] S.-C. Pei and J. J. Ding, “Generalized eigenvectors and fractionalization
of offset DFTs and DCTs,” IEEE Transactions on Signal Processing,
vol. 52, no. 7, pp. 2032–2046, July 2004.
[8] S.-C. Pei, C.-C. Wen, and J. J. Ding, “Closed-form orthogonal eigen-
vectors generated by complete generalized Legendre sequences,” IEEE
Transactions on Circuits and Systems I: Regular Papers, vol. 55, no. 11,
pp. 3469–3479, December 2008.
[9] N. M. Atakishiyev, L. E. Vicent, and K. B. Wolf, “Continuous versus
discrete fractional Fourier transforms,” J. Comput. Appl. Math., vol.
107, no. 1, pp. 73–95, July 1999.
[10] M. L. Mehta, “Eigenvalues and eigenvectors of the finite Fourier
transform,” J. Math. Phys., vol. 28, no. 4, pp. 781–785, April 1987.
[11] B. W. Dickinson and K. Steiglitz, “Eigenvectors and functions of the
discrete Fourier transform,” IEEE Trans. Acoust., Speech and Signal
Process., vol. 30, no. 1, pp. 25–31, February 1982.
[12] S. Clary and D. H. Mugler, “Shifted Fourier matrices and their
tridiagonal commuters,” SIAM J. Matrix Anal. Appl., vol. 24, no. 3,
pp. 809–821, March 2003.
[13] S.-C. Pei, W.-L. Hsue, and J.-J. Ding, “Discrete fractional Fourier
transform based on new nearly tridiagonal commuting matrices,” IEEE
Transactions on Signal Processing, vol. 54, no. 10, pp. 3815–3828,
October 2006.
8
Transformada Filtro
fracional de multiplicativo
Fourier no domínio
fracional
de Fourier
F
a
L w,a
P/S
Prefixo
cíclico
(remoção)
Atualização
do filtro
multiplicativo
[14] J. H. McClellan and T. W. Parks, “Eigenvalue and eigenvector decom-
position of the discrete Fourier transform,” IEEE Transactions on Audio
and Electroacoustics, vol. AU-20, no. 1, pp. 66–74, January 1972.
[15] R. M. Campello de Souza and H. M. de Oliveira, “Eigensequences
for multiuser communication over the real adder channel,” in Proc. Int
Telecommun. Symp. (ITS’2006), Fortaleza, Brazil, 2006.
[16] J. H. Wilkinson, The Algebraic Eigenvalue Problem, Oxford University
Press, 1st edition, 1988.
[17] S.-C. Pei, C.-C. Wen, and J. J. Ding, “Closed form orthogonal number
theoretic transform eigenvectors and the fast fractional NTT,” IEEE
Transactions on Signal Processing, vol. 59, no. 5, pp. 2124–2135, May
2011.
[18] J. B. Lima and R. M. Campello de Souza, “The fractional Fourier
transform over finite fields,” Signal Processing, vol. 92, no. 2, pp. 465–
476, February 2012.
[19] I. Cox, M. Miller, J. Bloom, J. Fridrich, and T. Kalker, Digital
Watermarking and Steganography, Morgan Kaufmann, 2nd edition,
2007.
[20] N. Cimato and C.-N. Yang, Visual Cryptography and Secret Image
Sharing, CRC Press, 1st edition, 2011.
[21] I. Djurović, S. Stanković, and I. Pitas, “Digital watermarking in the
fractional Fourier transformation domain,” Journal of Network and
Computer Applications, vol. 24, pp. 167–173, 2001.
[22] F. Q. Yu, Z. K. Zhang, and M. H. Xu, “A digital watermarking algorithm
for image based on fractional Fourier domain utilizing moment-based
image representation,” in Proc. of the 2006 Conference on Industrial
Electronics and Applications, Singapore, May 2006, pp. 1–5.
[23] M. A. Savalonas and S. Chountasis, “Noise-resistant watermarking in the
fractional Fourier domain utilizing moment-based image representation,”
Signal Processing, vol. 90, no. 8, pp. 2521–2528, September 2010.
[24] Z. Liu et al., “A new kind of double image encryption by using a
cutting spectrum in the 1-D fractional Fourier transform domains,” Opt.
Commun., vol. 282, no. 8, pp. 1536–1540, 2009.
[25] N. Singh and A. Sinha, “Optical image encryption using fractional
Fourier transform and chaos,” Optics and Lasers in Engineering, vol.
46, pp. 117–123, 2008.
[26] R. Tao, X.-Y. Meng, and Y. Wang, “Image encryption with multiorders
of fractional Fourier transforms,” IEEE Transactions on Information
Security and Forensics, vol. 5, no. 4, pp. 734–738, December 2010.
[27] B. M. Hennelly and J. T. Sheridan, “Image encryption and the fractional
Fourier transform,” International Journal for Light and Electron Optics,
vol. 114, no. 6, pp. 251–265, June 2003.
[28] H. M. Ozaktas, B. Barsham, and D. Mendlovic, “Convolution and
filtering in fractional Fourier domains,” Optical Review, vol. 1, no.
1, pp. 15–16, January 1994.
[29] A. Kutay, H. M. Ozaktas, O. Ankan, and L. Onural, “Optimal filtering
in fractional Fourier domains,” IEEE Transactions on Signal Processing,
vol. 45, no. 5, pp. 1129–1143, May 1997.
[30] M. F. Erden, M. A. Kutay, and H. M. Ozaktas, “Applications of the
fractional Fourier transform to filtering, estimation and restoration,” in
Proc. of the IEEE-EURASIP Workshop on Nonlinear Signal and Image
Processing (NSIP’99), Antalya, Turkey, June 1999, pp. 481–485.
[31] L. Durak and S. Aldirmaz, “Adaptive fractional Fourier domain
filtering,” Signal Processing, vol. 90, no. 4, pp. 1188–1196, April 2010.
REVISTA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO, VOL. 1, NÚMERO 2, ABRIL DE 2012 9

[32] H. M. Ozaktas, “Convolution, filtering and multiplexing in fractional

Fourier domains and their relation to chirp and wavelet transforms,” J.
Opt. Soc. Amer. A, vol. 11, pp. 1798–1801, 1994.
[33] M. Martone, “A multi-carrier system based on the fractional Fourier
transform for time-frequency-selective channels,” IEEE Transactions on
Communications, vol. 49, no. 6, pp. 1011–1020, June 2001.
[34] T. Erseghe, N. Laurenti, and V. Cellini, “A multicarrier architecture
based upon the affine Fourier transform,” IEEE Transactions on
Communications, vol. 53, no. 5, pp. 853–862, May 2005.
[35] R. Tao, X.-Y. Meng, and Y. Wang, “Transform order division multi-
plexing,” IEEE Transactions on Signal Processing, vol. 59, no. 2, pp.
598–609, February 2011.
[36] J. B. Lima, R. M. Campello de Souza, and D. C. Cunha, “Multiuser
communication based on the discrete fractional Fourier transform,”
in Proc. IEEE International Conference on Communications, Ottawa,
Canada, June 2012.
[37] H.-B. Sun, G.-S. Liu, H. Gu, and W.-M. Su, “Application of the
fractional Fourier transform to moving target detection in airbone SAR,”
IEEE Transactions on Aerospace and Electronic Systems, vol. 38, no.
4, pp. 1216–1424, April 2002.
[38] A. S. Amein and J. J. Soraghan, “A new chirp scaling algorithm based
on the fractional Fourier transform,” IEEE Signal Processing Letters,
vol. 12, no. 10, pp. 705–708, October 2005.
[39] C. Vijaya and J. S. Bhat, “Signal compression using discrete fractional
Fourier transform and set partitioning in hierarchical trees,” Signal
Processing, vol. 86, no. 8, pp. 1976–1983, August 2006.
[40] B. Barshan and B. Ayrulu, “Fractional Fourier transform pre-processing
for neural networks and its application to object recognition,” Neural
Networks, vol. 15, no. 1, pp. 131–140, January 2002.
[41] T. Alieva, “Fractional Fourier transform as a tool for investigation of
fractal objects,” J. Opt. Soc. Amer. A, vol. 13, no. 6, pp. 1189–1192,
June 1996.
[42] A. C. McBride and F. H. Kerr, “On Namias’s fractional Fourier
transforms,” IMA Journal of Applied Mathematics, vol. 39, no. 2, pp.
159–175, February 1987.
[43] G. Gbur and E. Wolf, “Relation between computed tomography and
diffraction tomography,” J. Opt. Soc. Amer. A, vol. 18, no. 9, pp. 2132–
2137, September 2001.
[44] R. Tao, B. Deng, W.-Q. Zhang, and Y. Wang, “Sampling and samplig
rate conversion of band limited signals in the fractional Fourier transform
domain,” IEEE Transactions on Signal Processing, vol. 56, no. 1, pp.
158–171, January 2008.