首先声明一点,我没有做过除了图形、图像、系统以外的其他领域,所以我无法给出在其他领域里出现的卷积核函数,以及解释在其他领域中的卷积具体有什么作用。而卷积本身,我所听说过的,就有非常多不同种类,在这篇文章里我所能做的,是尽可能罗列我所知道的,或者通过一些文章找到的卷积核。至于其他的卷积核,当你不知道它能产生什么效果时,你可以在理解这些文章后,自己动手实践一下。
以下类型分类,我是按照我自己对于卷积效果的理解进行分类的,不一定是科学的严谨分类,你且当作参考。
模糊型卷积核函数
这一类型的卷积核函数,通常没有大小的固定情况。通常使用 3 × 3 3 \times 3 3×3,偶尔也可以见到 5 × 5 5 \times 5 5×5 甚至更大的尺寸。
均值模糊型
这一类的卷积核函数,每一个元素值通常为 1 / N 1/N 1/N。所以,对于 3 × 3 3 \times 3 3×3 的结构来说,其每一个元素值如下:
[ 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 ] \begin{bmatrix} 1/9 & 1/9 & 1/9 \\ 1/9 & 1/9 & 1/9 \\ 1/9 & 1/9 & 1/9 \end{bmatrix} ⎣⎡1/91/91/91/91/91/91/91/91/9⎦⎤
其运行结果如下:
高斯模糊型
高斯模糊型,通常会产生模糊小细节,保留大细节的效果。也就是使用单反相机能拍出的效果。其每个元素值,通常由高斯分布的 σ \sigma σ 给出,在某些程序中有时也会用二项分布值来近似逼近(后者计算速度通常更快一些)。
比如这种:
[ 0.095 0.118 0.095 0.118 0.148 0.118 0.095 0.118 0.095 ] \begin{bmatrix} 0.095 & 0.118 & 0.095 \\ 0.118 & 0.148 & 0.118 \\ 0.095 & 0.118 & 0.095 \end{bmatrix} ⎣⎡0.0950.1180.0950.1180.1480.1180.0950.1180.095⎦⎤
其运行结果如下:
增强型卷积核函数
锐化型
[ − 1 − 1 − 1 − 1 9 − 1 − 1 − 1 − 1 ] \begin{bmatrix} -1 & -1 & -1 \\ -1 & 9 & -1 \\ -1 & -1 & -1 \end{bmatrix} ⎣⎡−1−1−1−19−1−1−1−1⎦⎤
特征提取型卷积核函数
梯度特征型
采用梯度公式,可以按照中心展开,向前展开,或向后展开。在矩阵中可以设定不同的方向,因此还可以产生出竖直梯度特征,水平梯度特征等不同特征的效果。
中心展开型
[ 0 − 1 0 − 1 0 1 0 1 0 ] \begin{bmatrix} 0 & -1 & 0 \\ -1 &0 & 1 \\ 0 & 1 & 0 \end{bmatrix} ⎣⎡0−10−101010⎦⎤
水平型
[ − 1 − 1 − 1 0 0 0 1 1 1 ] \begin{bmatrix} -1 & -1 & -1 \\ 0 &0 & 0 \\ 1 & 1 & 1 \end{bmatrix} ⎣⎡−101−101−101⎦⎤
垂直型
[ − 1 0 1 − 1 0 1 − 1 0 1 ] \begin{bmatrix} -1 & 0 & 1 \\ -1 & 0 & 1 \\ -1 & 0 & 1 \end{bmatrix} ⎣⎡−1−1−1000111⎦⎤
拉普拉斯型
[ 0 1 0 1 − 4 1 0 1 0 ] \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} ⎣⎡0101−41010⎦⎤
关于如何手写卷积公式,请参考我的另一篇文章《卷积——基本概念》