[VP]卷积与关联 Convolution and Correlation

---

关联 Correlation

关联其实和深度学习常说的卷积操作是一样的，将 kernel 和 Image 按对应位置相乘再求和，即是关联操作的结果

以下代码为zero-padding图像的 (1, 1) 点与kernal 做关联操作的代码：

#Image after constant padding
PaddingImage = [[0, 0, 0, 0, 0, 0], 
                [0, 0, 0, 3, 2, 0], 
                [0, 5, 2, 8, 4, 0], 
                [0, 8, 3, 2, 5, 0], 
                [0, 2, 8, 4, 8, 0], 
                [0, 0, 0, 0, 0, 0]]

Kernel = [[0, 0, 0], [0, 5, 2], [8, 4, 8]]

#Image(1,1)
F11 = [[0, 0, 3], [5, 2, 8], [8, 3, 2]]

count = 0
for i in range(0, 3):
    for j in range(0, 3):
        if i == 2 and j == 2:
            print(F11[i][j], ' × ', Kernel[i][j])
        else:
            print(F11[i][j], ' × ', Kernel[i][j], ' +')
        count += F11[i][j]*Kernel[i][j]
print('= ', count)

其输出结果为：

0  ×  0  +
0  ×  0  +
3  ×  0  +
5  ×  0  +
2  ×  5  +
8  ×  2  +
8  ×  8  +
3  ×  4  +
2  ×  8
=  118

卷积 Correlation

和我们在深度学习常说的卷积不太一样，那个其实是叫correlation

真正的卷积是将卷积核(Kernel)翻转180°之后再做correlation

以下代码为zero-padding图像的 (1, 1) 点与kernal 做卷积操作的代码：

#Image after constant padding
PaddingImage = [[0, 0, 0, 0, 0, 0], 
                [0, 0, 0, 3, 2, 0], 
                [0, 5, 2, 8, 4, 0], 
                [0, 8, 3, 2, 5, 0], 
                [0, 2, 8, 4, 8, 0], 
                [0, 0, 0, 0, 0, 0]]

Kernel = [[0, 0, 0], [0, 5, 2], [8, 4, 8]]

#Image(1,1)
F11 = [[0, 0, 3], [5, 2, 8], [8, 3, 2]]

count = 0
for i in range(0, 3):
    for j in range(0, 3):
        if i == 2 and j == 2:
            print(F11[2-i][2-j], ' × ', Kernel[i][j])
        else:
            print(F11[2-i][2-j], ' × ', Kernel[i][j], ' +')
        count += F11[2-i][2-j]*Kernel[i][j]
print('= ', count)

其输出结果为：

2  ×  0  +
3  ×  0  +
8  ×  0  +
8  ×  0  +
2  ×  5  +
5  ×  2  +
3  ×  8  +
0  ×  4  +
0  ×  8
=  44