重采样常用于音频处理。在用麦克风对音频进行采集的时候，常见的采样率有8k（电话）、44.1k（CD）、48k（视频音轨）、96k/192k（Hi-Res），而某些系统会有默认固定的输出采样率（如Android的默认输出采样率为44.1k），此时就需要对输入音频数据进行重采样。
重采样的源样本序列为$x[n]$
$x[n] = x_c(nT)$
重采样的目标序列为$x'[n]$
$x'[n] = x_c(nT')$
如何通过$x[n]$得到$x'[n]$就是本文的讨论内容。
本文假设以采样周期为$T$对$x_c(t)$进行采样满足奈奎斯特采样定律。
减采样（downsampling）
减小采样率的过程被称为减采样，这一小节讨论的是按整数倍减小采样率。
按照我们一般的思维来说，按整数倍（倍数为$M$）减少采样率应该是直接对源样本序列每隔$M$个样本提取一个值
$x_d[n] = x[nM] = x_c(nMT)$
这种提取方法被称为采样率压缩器，简称压缩器（compressor）。可以看到所得的新序列是原始连续信号的一部分，并且新序列的采样周期为$T_d = MT$。对于该新序列，我们可以分为两种情况进行讨论：
- $T_d$符合奈奎斯特采样定理，即新序列能通过一个低通滤波器还原为原始的连续信号
- $T_d$不符合奈奎斯特采样定理，即新序列发生混叠，无法还原为原始的连续信号
如下图假设信号在$M=2$时恰好满足奈奎斯特采样定理，那么在$M=3$时则会发生混叠
如果在采用了压缩率为$M$的压缩器后，序列仍然符合奈奎斯特采样定理，我们可以直接进行使用$x_d[n] = x[Mn]$来得到减采样序列。而发生混叠的情况则稍微复杂一点。观察混叠的频谱，可以发现只有低频部分保持了与原始信号频谱的一致性，而相当多的高频由于混叠而失去了原始频谱。
频谱丢失得越多说明信号的失真越大，因此为了减少失真，需要尽可能保留更多的原始信号频谱。我们可以先对元素信号进行低通滤波，然后再对滤波后的信号进行周期为$MT$的采样即可得到失真更少的序列。按照这种思想，采样周期固定为$MT$，如果一个被采样信号的采样周期为$MT$，那么采样后不会混叠的条件就是该信号的截至频率为$frac{pi}{MT}$，因此低通滤波的截至频率为$frac{pi}{MT}$。
很明显，先低通滤波后采样的这种方法能最大限度地减低频谱的丢失，从而降低信号失真。
$ ilde{X}_d(jOmega) = X_c(jOmega)H_{M}(jOmega)$
其中$ ilde{X}_d(jOmega)$就是对原始信号进行低通滤波后的信号$ ilde{x}_d(t)$的傅里叶变换，低通滤波器的傅里叶变换为$H_{M}(jOmega)$。不过我们手中的并不是原始信号$x_c(t)$，而是序列$x[n]$，为了进入上述流程，我们需要先用$x[n]$重构出$x_c(t)$，才能进行低通滤波以及后续采集
$egin{align*}
ilde{x}_d(t)
&= mathcal{F}^{-1} ilde{X}_d(jOmega)\
&= mathcal{F}^{-1}{X_c(jOmega)H_{M}(jOmega)}\
&= mathcal{F}^{-1}{X(e^{jOmega T})H_r(jOmega)H_{M}(jOmega)}\
&= mathcal{F}^{-1}{X(e^{jOmega T})TH_{M}(jOmega)}
qquad
left{egin{matrix}
H_r(jOmega)&=left{egin{matrix}T, & |Omega|<pi/T\ 0, & elseend{matrix}
ight.quad\
H_M(jOmega)&=left{egin{matrix}1, &|Omega|<pi/MT \ 0, & elseend{matrix}
ight.\
end{matrix}
ight .\
&= mathcal{F}^{-1}{X_s(jOmega)TH_M(jOmega)}\
&= x_s(t)*[MTcdot h_m(t)]/Mqquad fourier convolution theorem\
&= left{sum_{n=-infty}^{infty}x[n]delta(t-nT)
ight}*left{frac{sin(pi t/MT)}{pi t/MT}
ight}/M\
&= sum_{n=-infty}^{infty}x[n]frac{sin[pi(t-nT)/MT]}{pi(t-nT)/MT}/M
end{align*}$
然后从$ ilde{x}_d(t)$中以$MT$为周期采集得到$ ilde{x}_d[n]$
$color{red}{egin{align*}
ilde{x}_d[n] &= ilde{x}_d(nMT)\
&= left .sum_{k=-infty}^{infty}x[k]frac{sin[pi(t-kT)/MT]}{pi(t-kT)/MT}/M
ight|_{t=nMT}\
&= sum_{k=-infty}^{infty}x[k]frac{sin[pi(nMT-kT)/MT]}{pi(nMT-kT)/MT}/M\
&= sum_{k=-infty}^{infty}x[k]frac{sin[pi(nM-k)/M]}{pi(nM-k)/M}/M
end{align*}}$
如果要从连续时间系统来理解的话，我们可以发现重建的连续信号$ ilde{x}_d(t)$是由无数个$x[k]$分别对相应位置的截至频率为$pi/MT$的sinc函数进行加权后叠加，然后对叠加得到的信号的幅度除以$M$得到的。
如果要从离散时间系统来理解$ ilde{x}_d[n]$的构造公式的话，可以发现上面公式中的sinc函数有如下规律（下二）
$egin{matrix}
H(e^{jomega}) =left{egin{matrix}M, &|omega|<pi/M \0, &else end{matrix}
ight .& Leftrightarrow &
h[n] = displaystyle{frac{sin[pi n/M]}{pi n/M}}\
H(e^{jomega}) =left{egin{matrix}1, &|omega|<pi/M \0, &else end{matrix}
ight .& Leftrightarrow &
h[n]=displaystyle{frac{sin[pi n/M]}{pi n/M}/M}
end{matrix}$
可以发现该sinc函数是一个增益为1、截至频率为$pi/M$的低通滤波器，该滤波器后接因子为M的压缩器。那么，前面的公式可以理解为：用该滤波器对$x[k]$进行滤波后再用因子为M的压缩器即可得到$ ilde{x}_d[n]$。这一过程又被称为抽取（decimation）。
增采样（upsampling）
增加采样率的过程被称为增采样，这一小节讨论的是按整数倍增加采样率。
假设增加采样率的倍数为$L$，那么增加采样率后的采样周期为$T_i = LT$，有
$x_i[n] = x_c(nT_i) = x_c(nLT)$
不过实际上我们只有采样周期为$T$的序列$x[n]$，因此需要先进行$x_c(t)$的重建，然后对$x_c(t)$进行周期为$T_i$的采样
$color{red}{egin{align*}
x_i[n] &= x_c(nT/L)\
&= left .sum_{k=-infty}^{infty}x[k]frac{sin[pi(t-kT)/T]}{pi(t-kT)/T}
ight|_{t=nT/L}\
&= sum_{k=-infty}^{infty}x[k]frac{sin[pi(nT/L-kT)/T]}{pi(nT/L-kT)/T}\
&= sum_{k=-infty}^{infty}x[k]frac{sin[pi(n-kL)/L]}{pi(n-kL)/L}
end{align*}}$
下面我们从频域来展开讨论
增采样即采样频率提高了，因此不会出现混叠的情况，即不会改变原始的连续时间信号。现假设用采样周期$T$对$x_c(t)$进行采样恰好满足奈奎斯特采样定理，即有
增采样后采样周期为$T_i = T/L$，那么频谱将有如下变化
观察两张图右下角的$X(e^{jomega})$以及$X_i(e^{jomega})$，它们的时域表示分别就是我们的源序列$x[n]$与目标序列$x_i[n]$。从$X(e^{jomega})$变为$X_i(e^{jomega})$只需进行执行两个步骤：
- 对$X(e^{jomega})$的变量$omega$进行倍数为$L$的扩展，得到$X_e(e^{jomega}) = X(e^{jomega L})$
- 对所得的新频谱进行低通滤波，滤波器的增益为$L$，截至频率为$frac{pi}{L}$
对第一步有如下分析：
$egin{align*}
X(e^{jomega}) &= sum_{n=-infty}^{infty}x[n]e^{-jomega n}\
Rightarrow X(e^{jomega L}) &= sum_{k=-infty}^{infty}x[k]e^{-jomega Lk}\
&= sum_{n/L=-infty}^{infty}x[n/L]e^{-jomega n} qquad n=Lk\
Rightarrow x_e[n] &= left{egin{matrix} x[n/L], &n = 0,pm L, pm 2Lcdotcdotcdot\0, &elseend{matrix}
ight.
end{align*}$
如下图所示，对序列$x[n]$进行步长为$L$的扩展，即可得到$x_e[n]$，这种转换称为扩展器（expander）
第二步的低通滤波器的增益为$L$、截至频率为$pi/L$，即其脉冲响应为（从前面的增采样公式同样也能得出该结论）
$h_i[n] = frac{sin(pi n/L)}{pi n/L}$
因此增采样系统分解如下图，这一过程又被称为内插（interpolation）。
简单的内插滤波采样
在对序列进行内插时，某些情况下，我们并不用追求很准确的信号还原，此时用一些简单的滤波器即可达到不错的效果，如常见的线性内插、三次样条内插等。
$h_{lin}[n] =left{ egin{matrix} 1-|n|/L , & |n|leqslant L\ 0, &elseend{matrix}
ight.
qquadqquad h_{cu}[n] = left{ egin{matrix}
(a+2)|n/L|^3 -(a+3)|n/L|^2+1, &0leqslant |n|leqslant L\
a|n/L|^3-5a|n/L|^2+8a|n/L|-4a, &Lleqslant |n|leqslant 2L\
0, &else
end{matrix}
ight.$
- 线性内插只用到内插的位置两旁的两个样本，在图上表示的话，就是把两个样本用直线连接后，该直线在对应内插位置上的的值就是所求的内插值。
- 三次样条内插会用到内插位置两旁的四个样本，即左右各两个，曲线类似于对低通滤波器进行截取后的曲线（下面取$L=5, a=-0.5$）。
观察上面两个脉冲响应，我们能发现这些简单内插器脉冲响应的一些规律：
- 零点的左右两边对称，$ ilde{h}[n] = ilde{h}[-n]$
- 长度为$2KL-1，K=1,2,cdotcdotcdot$，也就是说左右两边距离零点超过KL时的值为0，即$ ilde{h}[n] = 0,|n|geqslant KL$·
- 零点处的值为1，$h[0] = 1$
- KL处的值为0，$h[KL] = 0$
既然有这些简单但不够准确的内插器，那么就应该有相应的方法来判断这些内插器的内插效果。内插效果可以通过观察这些内插器的频谱来进行分析。
对比增采样所需要的低通滤波器跟简单的线性内插器频谱，可以发现在频谱的$omega<frac{pi}{L}$处本应做大小固定为$L$的增益，但是线性内插在这部分有衰减，另外在$omega>frac{pi}{L}$处本应该是对原始序列频谱进行截断，但是由于线性内插器的频谱在$omega>frac{pi}{L}$仍然有较大的能量（幅度较高），因此可见线性内插可能不会获得很令人满意的内插效果。不过如果原本的采样频率就远大于原始信号的截至频率，则表明采样所得的序列的频谱较为集中，此时采用线性内插则会得到较好的效果。
对比线性内插以及三次样条内插，可以发现在$omega<frac{pi}{L}$处，三次样条的旁瓣较宽，而在$omega>frac{pi}{L}$处，三次样条的能量更小（幅度更低）,即三次样条更接近于低通滤波器，因此三次样条内插会比线性内插的效果更好。
图中蓝色实线为线性内插频谱，红色虚线为三次样条内插频谱。为了更突出两者的频谱差异，右图对频谱的幅度进行了对数运算。
非整数因子重采样
我们前面讨论了减采样以及增采样，它们的系统分别被称为抽取器与内插器。对于非整数因子，我们可以通过先接一个内插器，后接一个抽取器这种级联的方式来得到该重采样系统。例如，若$L=100,M=101$，则重采样的周期为$1.01T$
由于中间两个都是低通滤波器，因此可以合并成一个低通滤波器，取其中的最小值$min(pi/L, pi/M)$作为截至频率，增益为L。
