在一维信号中，前两个现象比较好理解。通过百度百科，了解的比较透彻。

先来简要回顾一下吉布斯效应。

对于Gibbs现象，百度百科解释为：吉布斯现象（又叫吉布斯效应）：将具有不连续点的周期函数（如矩形脉冲)进行傅立叶级数展开后，选取有限项进行合成。当选取的项数越多，在所合成的波形中出现的峰起越靠近原信号的不连续点。当选取的项数很大时，该峰起值趋于一个常数，大约等于总跳变值的9%。

下面是百度百科配的图。

个人感觉不够直观，所以引用了另一篇博文的图：

这个比较明显，也就是说，用纯粹的傅里叶变换（有限多个正弦和余弦）去逼近带有棱角的曲线，会在频率剧烈变化处产生吉布斯效应，也就是产生了一个凸起。

 

对于二维的情况，振铃效应在百度百科上引用的图如下：

比较明显的是红色圈圈的地方，这种现象是发生在一张图像内灰度变化剧烈的地方，由于在频域滤波使用理想的低通滤波器，图像的低频分量被完全保存，高频分量被完全移去，经过反变换后，会有很多类似于sinc函数那样的周期震荡在空间域内，因此会低通滤波器在模糊图像的同时，会将灰度剧烈变化的那些震荡铺满整个恢复的图像。

通过自己做的一个图像，演示一下振铃现象和块效应：

先将图像分为4*4的小块，在各个子图像的边沿，认为是像素跳变，类似于然后每块子图像过滤掉95%的高频分量，恢复后发现，红色区域，脸部有明显的震荡细纹，这些震荡细纹来自右侧的横向灰度剧烈变化的头发。而黄色的圆圈，在子图像的边缘，由于两个子图像的频谱不相同，因此滤波后恢复出的子图像边沿无法保持一致，因此出现块效应。

费了半天劲，也没有得到比较好的二维吉布斯效应的图，有朋友有好的二维吉布斯效应图，请不吝分享！