卷积:
在 t 时刻,激励 f(t) 在系统 g(t)上的响应 y(t). 其中y(t)为
其计算过程有个系统g(t)的翻转过程,如维基百科所示:http://zh.wikipedia.org/wiki/卷积
相关:
自相关和互相关,自相关是指同一个信号在不同时刻的相关程度,而互相关是指不同两个信号在不同时刻的相关程度。
自相关:
![](https://i-blog.csdnimg.cn/blog_migrate/35554ddcca865f374389d808462722ba.png)
互相关:
![公式](https://i-blog.csdnimg.cn/blog_migrate/d083c4ef551ffdf9491926e17a54366e.png)
在图像处理中的应用:
在执行线性空间滤波时,经常会遇到两个概念相关和卷积
二者基本相似,在进行 图像匹配 是一个非常重要的方法。
相关是滤波器模板移过图像并计算计算每个位置乘积之和的处理
卷积的机理相似,但滤波器首先要旋转180度
相关的计算步骤:
(1)移动相关核的中心元素,使它位于输入图像待处理像素的正上方
(2)将输入图像的像素值作为权重,乘以相关核
(3)将上面各步得到的结果相加做为输出
卷积的计算步骤:
(1)卷积核绕自己的核心元素顺时针旋转180度
(2)移动卷积核的中心元素,使它位于输入图像待处理像素的正上方
(3)在旋转后的卷积核中,将输入图像的像素值作为权重相乘
(4)第三步各结果的和做为该输入像素对应的输出像素
超出边界时要补充像素,一般是添加0或者添加原始边界像素的值
可以看出他们的主要区别在于计算卷积的时候,卷积核要先做旋转。
重要性质:一个函数与离散单位冲击相关,在冲击位置产生这个函数的一
个翻转版本。
f 函数
w 滤波器模板
eg:
f(x,y)
0 0 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 0 0 0
0 0 0 0 0
w(x,y)
1 2 3
4 5 6
7 8 9
相关 f*w =
0 0 0 0 0
0 9 8 7 0
0 6 5 4 0
0 3 2 1 0
0 0 0 0 0
卷积f*w=
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
相关的用途:图象的匹配
假如函数f中存在w的一个复制版本,即f:
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
f*w是多少呢?读者也自己算吧。
9 26 50 38 21
42 94 154 106 54
90 186 285 186 90
54 106 154 94 42
21 38 50 26 9
是不是会发现w与f中w的复制版本重合时,该点的值最大。最大值为
1^2+2^2+……+9^2 = 285
这就是用相关进行图像匹配的基本原理。当然了,在图像匹配时还要进行
二者基本相似,在进行 图像匹配 是一个非常重要的方法。
相关是滤波器模板移过图像并计算计算每个位置乘积之和的处理
卷积的机理相似,但滤波器首先要旋转180度
相关的计算步骤:
(1)移动相关核的中心元素,使它位于输入图像待处理像素的正上方
(2)将输入图像的像素值作为权重,乘以相关核
(3)将上面各步得到的结果相加做为输出
卷积的计算步骤:
(1)卷积核绕自己的核心元素顺时针旋转180度
(2)移动卷积核的中心元素,使它位于输入图像待处理像素的正上方
(3)在旋转后的卷积核中,将输入图像的像素值作为权重相乘
(4)第三步各结果的和做为该输入像素对应的输出像素
超出边界时要补充像素,一般是添加0或者添加原始边界像素的值
可以看出他们的主要区别在于计算卷积的时候,卷积核要先做旋转。
而计算相关过程中不需要旋转相关核。
离散单位冲击:我们将包含单个1而其余全是0的函数成为离散单位冲击。重要性质:一个函数与离散单位冲击相关,在冲击位置产生这个函数的一
个翻转版本。
f 函数
w 滤波器模板
eg:
f(x,y)
0 0 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 0 0 0
0 0 0 0 0
w(x,y)
1 2 3
4 5 6
7 8 9
相关 f*w =
0 0 0 0 0
0 9 8 7 0
0 6 5 4 0
0 3 2 1 0
0 0 0 0 0
卷积f*w=
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
相关的用途:图象的匹配
假如函数f中存在w的一个复制版本,即f:
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
f*w是多少呢?读者也自己算吧。
9 26 50 38 21
42 94 154 106 54
90 186 285 186 90
54 106 154 94 42
21 38 50 26 9
是不是会发现w与f中w的复制版本重合时,该点的值最大。最大值为
1^2+2^2+……+9^2 = 285
这就是用相关进行图像匹配的基本原理。当然了,在图像匹配时还要进行
相关函数的归一化等操作。
matlab源代码:
<span style="font-size:14px;">%函数f
f = [0 0 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 0 0 0
0 0 0 0 0];
%滤波器模板
w = [1 2 3
4 5 6
7 8 9];
%卷积
ff = conv2(f,w,'same')
%相关
ff2 = imfilter(f,w)
%图像匹配的基本原理
f2 = [ 0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0];
ff3 = imfilter(f2,w) </span>
此处引用:http://www.cnblogs.com/libing64/archive/2011/12/13/2878738.html
有关其它参考:
1.
相关和卷积最本质理解
http://wenku.baidu.com/link?url=9CwNLMmVzu4j3sTKX9qsjRvluUiIDko-FIE6vRzB_HvSutE2IwGFJf116wIcG8Zp3QVIvSBxd8C_g52sVLWla_EwYDGm3VCOb_4Ypz3tQvm
2.关于卷积的一个血腥的讲解,看完给跪了
http://www.guokr.com/post/342476/