如何直观形象、生动有趣地给文科学生介绍傅里叶变换？
声明下，下面都是用傅立叶级数来阐述，文章最后会说明下傅立叶级数和傅立叶变换之间的关系。
让我们从比较容易懂的解释开始吧。
1 直观解释
1666年牛顿发现太阳光经三棱镜的折射后可呈现彩色光，称为光的色散现象：
先说一个物理常识，光是一种波，而光的颜色由振幅和频率所决定。
所以色散实际上是，白色的光波被分解为七色光波（实际应该是无数种颜色的光波）：
七色光波可以用正弦波 a_ nsin(nx) （其中 a_ n 是振幅， nx 可以表示频率）来近似。因此上面实际就是傅立叶级数（下面只是傅立叶级数的非常不准确的近似，为了帮助理解简化成了这样子，让我心中充满了罪恶感，后面会给出严格定义）：
雨过天晴，有时就会看见彩虹：
雨后空气中的水分就好像无数的三菱镜，把太阳光拆成了彩色。正是大自然中的色散现象。
这大概是我们在自然界中最容易观察到的傅立叶级数。
在自然界中这个故事还有续集，我们继续讲下去。
德国化学家罗伯特·威廉·本生（1811一1899），发明了本生灯：
本生灯除了温度高外，还有一个显著特点，如果合理的控制燃料的成分和喷射压力，可以让火焰没有颜色。
偶然的情况下，本生撒了把盐（氯化钠）到灯的火焰上：
本来无色的火焰变成了黄色：
这实际上就是盐中的钠燃烧的颜色。
不同的化学元素燃烧的时候会有不同的颜色，复合物质的燃烧颜色会由它的成分的燃烧颜色来合成决定。
因此，如果我们想检测某个物质的成分，就可以把它点燃，然后对它的光进行傅立叶级数分解，就可以得到组成成分。
从这个意义上来说，万物皆可进行傅立叶级数分解，这也是它的发现者约瑟夫·傅里叶男爵（1768 －1830）所坚信的（实际上是有一定限制的，这个就比较数学了，可以查看傅立叶的收敛定理）。
好了，直观解释讲完了，其实也没有什么卵用。
就好像“听过很多道理，依然过不好这一生”。
我们需要更深入的理解，才能陪傅立叶好好过完这一生。
2 时域：旋转与傅立叶级数
更细致的推导，请参看此文：如何理解傅立叶级数公式？。
我迫不及待的要给出傅立叶级数的严格形式，以弥补我之前的近似。
假设， f(x) 为周期为 T 的函数，并且满足傅立叶级数的收敛条件，那么可以写作傅立叶级数：
f(x)={\frac{a_{0}}{2}}+\sum _{{n=1}}^{\infty }\left(a_{n}\cos ({\tfrac {2\pi nx}{T}})+b_{n}\sin ({\tfrac {2\pi nx}{T}})\right)\\
其中：
a_{n}={\frac{2}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot \cos ({\tfrac {2\pi nx}{T}})\ dx\\ b_{n}={\frac{2}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot \sin ({\tfrac {2\pi nx}{T}})\ dx
2.1 欧拉公式
根据欧拉公式：
e^{i\theta } = \cos \theta +i\sin \theta \\
我们可以推出：
\sin \theta ={\frac{e^{{i\theta }}-e^{{-i\theta }}}{2i}} \\ \cos \theta ={\frac{e^{{i\theta }}+e^{{-i\theta }}}{2}}
根据上式，我们可以写出傅立叶级数的另外一种形式：
f(x)=\sum _{{n=-\infty }}^{\infty }c_{n}\cdot e^{{i{\tfrac {2\pi nx}{T}}}}\\
其中：
c_{n}={\frac{1}{T}}\int _{{x_{0}}}^{{x_{0}+T}}f(x)\cdot e^{{-i{\tfrac {2\pi nx}{T}}}}\ dx\\
看到复数也不要怕，根据我之前的文章 “如何通俗易懂地解释欧拉公式？ ”，我们看到类似于 e^{i\theta } 这种就应该想到旋转：
从这角度来看，傅立叶级数：
f(x)=\sum _{{n=-N}}^{N}c_{n}\cdot e^{{i{\tfrac {2\pi nx}{T}}}}\\
实际上就是说，曲线可以理解为无数旋转的叠加，这怎么理解呢？
2.2 火星的轨迹曲线
比如这是地球上观察到的火星运行的轨迹（ 图片来源 ）：
我们可以通过两个圆周运动的叠加来模拟出这个曲线（ 图片来源 ）：
其实这就是地心说，感兴趣可以看下我的 “爱因斯坦和牛顿是否被严重高估了？ ”。
通过这种圆环套圆环的做法，可以模拟各种复杂的图形，比如可以画出辛普森来：
https://www.zhihu.com/video/908648866637844480视频出处 。
2.3 旋转的傅立叶
所以，傅立叶级数实际上就是把 f(x) 看作是圆周运动的组合。
只是 x 是不断变大的，而不是绕着圆变换的，所以就画出了函数曲线：
不断增大的 x 就好像是时间流逝，永不回头，所以我们也称为“时域”。
3 频域：线性代数与傅立叶级数
时域是现实存在的，频域却是生造的了，理解起来更加抽象。
但，敲黑板了，频域是傅立叶级数（变换）更本质的内容。
把傅立叶级数（变换）视作圆周运动的组合，是比较粗浅的看法，是买椟还珠的作法。
而把傅立叶级数（变换）看作频域，等于直接把它绑上了线性代数的战车，把它从固定在发射井中的常规核武器变成了游走不定、更具威力的核潜艇、核卫星。
3.1 线性代数
线代的最基本的研究对象就是向量，带箭头的一根直线：
线代的基本操作就是把向量分解为基的合成：
即：
\vec{u_{}}=a\vec{i_{}}+b\vec{j_{}}\\
这么做的好处很多，比如物理中，分析各个方向上的受力，然后进行合成：
比如，如果 a >> b ，我们就可以知道， \vec{i_{}} 上的分量更重要， \vec{j_{}} 方向上的分量可以丢掉。（关于这个内容可以参看我写的 “如何通俗地理解奇异值？” ）。
线性代数还有很多好处，你在使用傅立叶级数的时候就会感受到。
3.2 傅立叶级数的基
傅立叶级数（变换）本身是线性的（这个就是比较抽象的线性了），因此我们可以把线性代数在傅立叶级数上进行推广。
让我们先找到傅立叶级数的基是什么。
为了说明方便，假设 f(x) 的周期 T=2\pi ，那么有：
f(x)=\sum _{n=-\infty }^{\infty }c_{n}\cdot e^{inx}\\
其中，以下无穷集合：
\{ e^{inx}\} ,n\in \mathbb {N}\\
是无限维向量空间中的一组基，而且还是正交单位基。
可是，函数为什么可以做基啊？怎么有无限个基啊？无限维向量空间又是什么啊？这个，咱们这里就不展开了，如果确实想知道，这里有你需要的一切： 傅立叶分析专题 。
3.3 傅立叶级数向量
f(x) 可以写作：
f(x)=\cdots +c_{-1}e^{(-1)\cdot ix}+c_{0}e^{(0)\cdot ix}+c_{1}e^{(1)\cdot ix}+c_{2}e^{(2)\cdot ix}+\cdots \\
因为 \{ e^{inx}\} ,n\in \mathbb {N} 是基，所以可把 f(x) 表示为一个向量：
f(x)=(\cdots , c_{-1}, c_0, c_1, c_2, \cdots )\\
这个向量其实就是傅立叶级数的向量。
因为基 \{ e^{inx}\} ,n\in \mathbb {N} 实际上反映了周期运动的频率，我们以频率为基，所以这样看待傅立叶级数的方式就是“频域”。
3.4 频谱图
对于：
f(x)=\sum _{n=-\infty }^{\infty }c_{n}\cdot e^{inx}\\
我们用 (n,c_ n) 来描点作图，就得到频谱图。
下面是一个周期矩形波的频谱图：
图片 出处 。
3.5 应用
3.5.1 图像压缩
我写的 “如何通俗地理解奇异值？” ，里面就说过图像压缩的问题。
傅立叶级数通过同样的原理也可以做图像压缩，比如JPG就是用傅立叶进行图片压缩的。
原理可以大概这么理解，哪些基上的坐标值特别小，就可以丢掉，这样就可以压缩图像。
这就是把函数分解到正交基上的好处，我们可以用线性代数中的知识直接去处理。
信号处理中还有不少类似的分解，比如小波变换。所以掌握数学思想尤为重要。
3.5.2 模式识别
类似的图像，通过傅立叶变换，转换到频域之后看起来确实比较类似，比如下面这幅图，A的频域看起来就挺像，而A、B、C、D之间看起来就不太一样：
图片 出处 。
我们人眼观察图片的方法对计算机并不适用，似乎对于计算机而言，频域更能揭示“特征”。
4 傅立叶级数和傅立叶变换
更细致的推导，请参看此文：从傅立叶变换到傅立叶级数。
傅立叶级数是基于周期函数的，如果我们把周期推广到 \infty ，那么也就变为了非周期函数，这就是傅立叶变换。
两者的频谱图对比，可以看到傅立叶变换的频谱图是连续的（上面是周期函数的傅立叶级数分解，下面是非周期函数的傅立叶变换）：
图片 出处 。
最后，我在找资料的时候，发现了一个可以完成傅立叶级数的机械装置，非常好玩：
https://www.zhihu.com/video/908644441886195712视频出处 。
文章最新版本在（有可能会有后续更新）：如何通俗地理解傅立叶变换？
跟着马同学，看图学数学，欢迎加入马同学图解数学