- 定义
离散卷积
(
f
∗
g
)
(
n
)
=
∫
−
∞
∞
f
(
τ
)
g
(
n
−
τ
)
d
τ
(f*g)(n)=\int^{\infty}_{-\infty}{f(\tau)g(n-\tau)d\tau}
(f∗g)(n)=∫−∞∞f(τ)g(n−τ)dτ
连续卷积
(
f
∗
g
)
(
n
)
=
∑
τ
=
−
∞
∞
f
(
τ
)
g
(
n
−
τ
)
(f*g)(n)=\sum_{\tau=-\infty}^{\infty}{f(\tau)g(n-\tau)}
(f∗g)(n)=τ=−∞∑∞f(τ)g(n−τ)
我们注意到,定义中 τ ∈ [ − ∞ , ∞ ] \tau\in[-\infty,\infty] τ∈[−∞,∞] ,在实际应用中, τ \tau τ 的取值范围应该具体情况、具体分析。
- 如何理解卷积中的“卷”和“积”?
“卷”–翻转(更确切的可称为“褶”)+滑动
“积”–加权求和/积分(积分本质上也是指加权求和,只不过是无穷项进行加权求和)
“卷积”–翻转–>滑动–>加权求和–>滑动–>加权求和…
- 应用举例
丢骰子
有两枚骰子,分别丢出去,点数相加为5的概率?(图片来自知乎用户-马同学)
信号分析
连续输入信号 f ( t ) f(t) f(t) ,系统响应 g ( t ) g(t) g(t) 表示输入信号随时间的变化,如何求在某一时刻的输出信号?(图片来自知乎用户-palet)
图像处理
数字图像表示为矩阵形式,对图像做卷积可表示为:
(
f
∗
g
)
(
u
,
v
)
=
∑
i
∑
j
f
(
i
,
j
)
g
(
u
−
i
,
v
−
j
)
(f*g)(u,v)=\sum_{i}\sum_{j}f(i,j)g(u-i,v-j)
(f∗g)(u,v)=i∑j∑f(i,j)g(u−i,v−j)
可以看到,其实质为二维离散卷积,其中,原矩阵为
f
(
i
,
j
)
f(i,j)
f(i,j) ,卷积核为
g
(
i
,
j
)
g(i,j)
g(i,j)
按照“卷积”的实际意义来说,卷积核应该做两次翻转,再同原函数进行加权求和,然而,在实际应用中,为了方便,直接将变换后的核函数称为卷积核。
对于以上3个例子,详见 知乎-如何通俗易懂地理解卷积
传送门