[转] 卷积

0 定义

       简单定义：卷积是分析数学中一种重要的运算。

       设：f(x),g(x)是R1上的两个可积函数，作积分：

       可以证明，关于几乎所有的实数x，上述积分是存在的。这样，随着x的不同取值，这个积分就定义了一个新函数h(x)，称为函数f与g的卷积，记为h(x)=(f*g)(x)。

       由卷积得到的函数f*g一般要比f和g都光滑。特别当g为具有紧致集的光滑函数，f为局部可积时，它们的卷积f * g也是光滑函数。利用这一性质，对于任意的可积函数f，都可以简单地构造出一列逼近于f的光滑函数列fs，这种方法称为函数的光滑化或正则化。

1 理解

       比较推荐知乎上的一个解释，https://www.zhihu.com/question/22298352。即在输入信号的每个位置，叠加一个单位响应，就得到了输出信号（这句也很好地解释了它的物理意义）。这个解释中并没有提到反褶，只有平移，因为它是从单位响应的角度考虑。如果从输入信号角度考虑，那么就会首先将激励信号反褶，再在每个位置上做乘加运算，得到输出。[对于卷积、傅里叶变换等等，只是将原始信号（数据）做一定的处理，得到另外一组信号（数据），而这组信号（数据）更利于处理，而不同的处理需求需要有针对性选择数据处理方式]。

2 计算

2.1 离散卷积

2.1.1 一维

       计算公式如下图所示

N-----为信号f(n)的长度

s(n)----为卷积结果序列,长度为len(f(n))+len(g(n))-1

以3个元素的信号为例：

f(n) = [1 2 3];g(n) = [2 3 1];

s(0) =f(0)g(0-0) + f(1)g(0-1)+f(2)g(0-2) = 1*2 + 2*0 + 3*0 =2

s(1) =f(0)g(1-0) + f(1)g(1-1) + f(2)g(1-2) = 1*3 + 2*2 + 3*0 = 7

s(2) =f(0)g(2-0) + f(1)g(2-1) + f(2)g(2-2) =1*1 + 2*3 + 3*2=13

s(3) =f(0)g(3-0) + f(1)g(3-1) + f(2)g(3-2) =1*0 + 2*1 + 3*3=11

s(4) =f(0)g(4-0) + f(1)g(4-1) + f(2)g(4-2) =1*0 + 2*0 + 3*1=3

最终结果为：s(n) = [2 7 13 11 3]；

上述计算图示如下：

在数学里我们知道f(-x)的图像是f(x)对y轴的反转

     g(-m)就是把g(m)的序列反转，g(n-m)的意义是把g(-m)平移的n点：

如上图g(m)在信号处理中通常叫做滤波器或掩码，卷积相当于掩码g(m)反转后在信号f(n)上平移求和。

代码实现如下。

#include <iostream> #include <vector>   using namespace std; //一维向量的卷积运算 double convfft(vector<double> &a,vector<double> &b,vector<double> &cx) {   unsigned int sz = a.size() +b.size() - 1;   cx.resize(sz);   int b_len = b.size();   int a_len = a.size();   for (intn = 0; n < sz; n++) {     int kmin = (n >= b_len - 1) ?n - (b_len - 1) : 0;     int kmax = (n < a_len - 1) ?n : a_len - 1;     for (intk = kmin; k <= kmax; k++) {       cx[n] +=a[k] *b[n -k];     }   }   return 0; }

上述方式其实是为了较好的运用计算机通过编程实现，如果是手动运算，则可以参考https://wenku.baidu.com/view/f68098b8360cba1aa911da5a.html中所述的方法计算。

       在matlab中可以通过convn方法（也有的matlab中方法名是conv）实现两个一维向量的卷积运算，注意convn中还可以跟除了第2个参数flag，表示返回卷积的一部分，这部分有参数shape决定：

full  返回完整的卷积（默认）；

same  返回卷积的中心部分，与u有相同的大小；

valid 仅返回卷积中的那些被计算而没有填充零的部分，w的尺寸大小为max（size（u）-size（v）+1，0）。

2.1.2 二维

       同一维数据卷积一样。首先，将卷积模板图像翻转（等同于一维信号翻转），然后将卷积模板依次从上到下、从左到右滑动，计算乘积和，作为卷积以后的数值。

假设矩阵A（4*3）、B（2*3）如下：

首先，B需要旋转180，命令旋转2次90即可：

       其次，卷积操作图示：

      依次计算直至结束，结果数据为：

   同样地，matalab中convn2做卷积运算，也有full、same和valid参数。具体区别可以参看如下链接http://blog.csdn.net/tina_ttl/article/details/51034809。

2.2 连续

       http://blog.csdn.net/sbaini/article/details/50547896

3 应用

       卷积运算的一个重要应用即为图像，因为图像总是空间相关的，即每个像素点总是和周围部分像素有关，而不会与相距非常远的像素有关。所以利用卷积可以构建像素与周围像素的关系。

在图像处理中，图像的卷积是指一个卷积核作用在图像上得到的响应。显然，卷积核不同，得到响应也不同。卷积核，本质上是一个存在中心对称点的固定大小的矩阵。

但传统的卷积操作通常输出应该是与输入等宽的，而2中所述方法是得到一个长度为size(a)+size(b)-1的宽度的。所以图像处理中的卷积运算会做一定的修正。简单概述：

对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。而其中的边缘像素（不一定是第一行和最后一行，而是依赖于卷积核的大小）。

       

可以参考http://blog.csdn.net/zouxy09/article/details/49080029。

边缘处理

1D图像中，用每个像素和它的二邻域的平均值来取代它的值。假设我们有个1D的图像I是这样的：

       对非图像边界的像素的操作比较简单。假设我们对I的第四个像素3做局部平均。也就是我们用2，3和7做平均，来取代这个位置的像素值。也就是，平均会产生一副新的图像J，这个图像在相同位置J (4) = (I(3)+I(4)+I(5))/3 = (2+3+7)/3 = 4。同样，我们可以得到J(3) = (I(2)+I(3)+I(4))/3 =(4+2+3)/3 = 3。需要注意的是，新图像的每个像素都取决于旧的图像，在计算J (4)的时候用J (3)是不对的，而是用I(3)，I(4)和I(5)。所以每个像素都是它和它邻域两个像素的平均。平均是线性的操作，因为每个新的像素都是旧像素的线性组合。

      对卷积，也有必须要考虑的情况是，在图像边界的时候，怎么办？J(1)的值应该是什么？它取决于I(0)，I(1)和I(2)。但是我们没有I(0)呀！图像左边没有值了。有四种方式来处理这个问题：

      1）第一种就是想象I是无限长的图像的一部分，除了我们给定值的部分，其他部分的像素值都是0。在这种情况下，I(0)=0。所以J(1) = (I(0) + I(1) + I(2))/3 =(0 + 5 + 4)/3= 3. 同样，J(10) =(I(9)+I(10)+I(11))/3 = (3+ 6 + 0)/3 = 3.

      2）第二种方法也是想象I是无限图像的一部分。但没有指定的部分是用图像边界的值进行拓展。在我们的例子中，因为图像I最左边的值I(1)=5，所以它左边的所有值，我们都认为是5 。而图像右边的所有的值，我们都认为和右边界的值I(10)一样，都是6。这时候J(1) = (I(0) + I(1) + I(2))/3 =(5 + 5 + 4)/3= 14/3. 而J(10) =(I(9)+I(10)+I(11))/3 = (3 + 6 + 6)/3 = 5。

      3）第三种情况就是认为图像是周期性的。也就是I不断的重复。周期就是I的长度。在我们这里，I(0)和I(10)的值就是一样的，I(11)的值和I(1)的值也是一样的。所以J(1) = (I(0) + I(1) + I(2))/3= (I(10) + I(1)+ I(2))/3 = (6 + 5 +4)/3 = 5 。

      4）最后一种情况就是不管其他地方了。我们觉得I之外的情况是没有定义的，所以没办法使用这些没有定义的值，所以要使用图像I没有定义的值的像素都没办法计算。在这里，J(1)和J(10)都没办法计算，所以输出J会比原图像I要小。

      这四种方法有各自的优缺点。如果我们想象我们使用的图像只是世界的一个小窗口，然后我们需要使用窗口边界外的值，那么一般来说，外面的值和边界上的值是几乎相似的，所以第二种方法可能更说得过去。