为什么我会有一个自上而下的形象？

Question

我试图通过计算单个点积来实现ifft2，而不是矩阵的多重应用（我知道它在计算上非常密集）。与矩阵乘法ifft2相比，由单个点积实现构建的图像是颠倒的。在下面的代码中，rA是数据

使用矩阵乘法的代码：

def DFT_matrix(N):
    i, j = np.meshgrid(np.arange(N), np.arange(N))
    omega = np.exp( - 2 * np.pi * 1j / N )
    W = np.power( omega, i * j )/N
    return W
def forPyhton(v1,v2):
    weight=np.dot(v2,v1)
    return weight
    


rA=slice_kspace[5,:,:]
slice7=np.fft.ifft2(rA) 
slice7=np.fft.fftshift(slice7)

slices7Abs=np.abs(slice7)+1e-9

dftMtxM=np.conj(DFT_matrix(len(rA)))
dftMtxN=np.conj(DFT_matrix(len(rA[1])))

mA = dftMtxM @ rA @ dftMtxN

个别dot生产实施：

def DFT_matrix(N):
    i, j = np.meshgrid(np.arange(N), np.arange(N))
    omega = np.exp( - 2 * np.pi * 1j / N )
    W = np.power( omega, i * j )/N
    return W
def forPyhton(v1,v2):
    weight=np.dot(v2,v1)
    return weight
                
            
            
rA=slice_kspace[5,:,:]
slice7=np.fft.ifft2(rA) 
slice7=np.fft.fftshift(slice7)
slices7Abs=np.abs(slice7)+1e-9
dftMtxM=np.conj(DFT_matrix(len(rA)))
dftMtxN=np.conj(DFT_matrix(len(rA[1])))
#mA = dftMtxM @ rA @ dftMtxN
result=[]
for i in range(0,rA.shape[0]):
    row1=[]
    for j in range(0,dftMtxN.shape[1]):
        scaleWeight=forPyhton(rA[i,:],dftMtxN[:,j])


        row1.append(scaleWeight)

    result.append(row1)
result=np.asarray(result)
 
mA=[]
for i in range(0,dftMtxM.shape[0]):
    row2=[]
    for j in range(0,result.shape[1]):
        scaleWeight=forPyhton(dftMtxM[i,:],np.array(result[:,j]))

        row2.append(scaleWeight)
    mA.append(row2)
mm=np.amax(np.abs(mA))
mA=np.fft.fftshift(mA)
mAabs=np.abs(mA)+1e-9

切片7ABS mA的绘制由以下步骤完成：

plt.figure(3)
plt.imshow(slices7Abs,cmap='gray',origin='lower')
plt.figure(4)
plt.imshow(mAabs,cmap='gray',origin='lower')
plt.show()

图3和图4在方法1（即矩阵乘法）的情况下是相同的，但在第二种情况下，通过单独的点积实现，图像（即图4）是颠倒的。知道图像为什么颠倒了吗