图像识别基础之相关、卷积

     相隔很久，还是在处理的过程中遇见卷积，这个是必不可少的，于是这里就好好的看看实现过程，让印象更加的深刻。下面从四个方面来看：

• 1 卷积和相关的定义
• 2 一维相关的解释
• 3 二维卷积的解释
• 4 相关与卷积的联系

一、卷积与相关的定义

1.卷积定义:函数f(x)和h(x)，其卷积运算用符号f(x)*h(x)表示，定义为如下积分 

2.函数f(x)和h(x)的相关定义

一维实函数卷积的几何说明:

   首先，在以N为横轴的图上画出f(N)和h(N),再将h(N)反转得到h(-N)．h(-N)平移x值得到h[-(N-x)]=h(x-N) .f(N) 和h(x-N)相乘得到一新函数,此新函数图象与N轴之间围成的面积便是函数f(x)*h(x)在x点的数值．x值不同,h(-N)平移距离不同,而使f(x)*h(x)可能取不同值.

根据这种几何解释容易得到以下结论:若f(x)有非零值的范围是t1，h(x)有非零值的范围是t2,则f(x)*h(x)有非零值的范围为t1+t2.卷积使非零值范围扩大了.

   图象大多是平面图象，用二维函数表示．信息光学中的卷积运算大多是二维函数的卷积，二维函数f(x，y)和h(x，y)的卷积表示为:  

卷积运算图例

   考虑两个矩形函数的卷积运算，从几何图形上看，就是将其中－个矩形函数绕纵轴翻转，然后再对另一个作平移，并计算两矩形函数的重叠面积，从而得到卷积的运算结果。显然，这个结果是平移距离ｘ的函数。

二、一维相关的解释

  想看卷积就要知道相关的过程，对于离散信号x（n） y(n)，相关函数为

            

  设有限长的序列，x(n)＝[1，0.1，－1，0.1]，y(n)＝[0.1，1，0.1，－1]，箭头所指位置表示n＝0的序列值，箭头右边依次是n＝1、2、3 ┉，箭头左边依次是n＝－1、－2、－3 ┉。求这两个序列的线性相关函数。 

 （1）直接计算法

  

 

（2）图形法

  分别画出x(n)y(n)以及一维的y(n)序列，将x(n)和y(n+m)两两序列相乘然后相加得到r(m)

三、二维卷积的解释

  卷积实现，输出图像的像素值是输入图像对应像素及其邻域像素的线性加权，权重矩阵称为卷积窗。

图像为a = 
     2     1     3     1
     1     2     1     2
     2     1     3     2
     1     3     1     2

核为b = 
     1     1     1
     1     1     1
     1     1     1

卷积为c = 
     6    10    10     7
     9    16    16    12
     10    15    17    11
     7    11    12     8

    把模板（n*n）放在矩阵上（中心对准要处理的元素），用模板的每个元素去乘矩阵中的的元素，累加和等于这个元素例如例子中的第二行第二个元素16= 1*2+1*1+1*3+1*1+1*2+1*1+1*2+1*1+1*2+1*1+1*3的计算，依次计算每个元素的值，如果矩阵的中心在边缘就要将原矩阵进行扩展，例如补0，或者直接规定模板的中心距离边缘(n-1)/2个单位以上。

四、相关与卷积的联系

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，而计算相关过程中不需要旋转相关核。

C = conv2(..., SHAPE) returns a subsection of the 2-D
    convolution with size specified by SHAPE:
      'full'  - (default) returns the full 2-D convolution,
      'same'  - returns the central part of the convolution
                that is the same size as A.
      'valid' - returns only those parts of the convolution
                that are computed without the zero-padded edges.
                size(C) = max([ma-max(0,mb-1),na-max(0,nb-1)],0).

http://www.cnblogs.com/libing64/archive/2011/12/13/2878738.html

http://www.cnblogs.com/sodf/p/3324611.html