最快卷积操作：公式证明傅里叶变换与卷积等效

scipy示例

FFT卷积速度相较于一般的卷积提升1000倍！！！
首先使用scipy或者astropy实例论证一下，傅里叶变换和卷积的速度和结果。
代码：

import numpy as np
from skimage import io
import matplotlib.pyplot as plt
from scipy.signal import convolve2d, fftconvolve
from skimage.color import rgb2hsv, rgb2gray, rgb2yuv


def gaussian_kernel(size, sigma):
    x, y = np.meshgrid(np.linspace(-1,1,size), np.linspace(-1,1,size))
    d = np.sqrt(x*x+y*y)
    return np.exp(-(d**2 / (2.0*sigma**2)))


image = rgb2gray(io.imread('galaxy.jpg'))
kernel = gaussian_kernel(256, 0.05)

scipy_image = convolve2d(image, kernel, 'same').astype('float32')
scipy_fft = fftconvolve(image, kernel, 'same').astype('float32')

plt.subplot(141)
plt.imshow(image)
plt.title('raw image')
plt.xticks([])
plt.yticks([])

plt.subplot(142)
plt.imshow(scipy_fft)
plt.title('scipy convolve')
plt.xticks([])
plt.yticks([])

plt.subplot(143)
plt.imshow(scipy_image)
plt.title('scipy fftconvolve')
plt.xticks([])
plt.yticks([])

plt.subplot(144)
plt.imshow(scipy_image - scipy_fft)
plt.title('scipy fftconvolve')
plt.xticks([])
plt.yticks([])

plt.show()

速度对比：

conv time:  0:02:44.446224
fft time:  0:00:00.050510

如果没算错的话，相差1000倍！！！
结果对比：

PS：示例中使用的图片是$256\times 256$的，卷积核也是$256\times 256$的高斯核！！！

卷积

在信号处理中，卷积是一种数学操作，它通常被用于信号滤波、信号重构等领域。卷积的定义如下：

假设有两个连续时间信号 F(t) 和 G(t)，它们的卷积函数是 h(t)。卷积函数的定义为：
$$h(t)=\int [f(\tau )\ast g(t-\tau )]d\tau$$
这个公式的含义是，将一个信号（f(t)）和另一个信号（g(t)）反向后移位，然后以每个τ的位置进行乘积并对每个τ积分，最后得到积分值作为卷积函数（h(t)）在时间点（t）的值。卷积函数 h(t) 描述的是信号 f(t) 和 g(t) 重叠部分的积分，因此卷积函数 h(t) 反映了信号 f(t) 和 g(t) 之间的相互作用。
值得注意的是，卷积函数 h(t) 的定义是在连续时间下的，如果信号 f(t) 和 g(t) 是离散时间的，则卷积函数的定义方式也需要做相应的变换，具体方式为：
$$h(n)=\sum [f(k)\ast g(n-k)]$$
其中 k 取值范围是负无穷到正无穷，但是只有 f(k) 和 g(n-k) 在信号长度范围内时才计算。

傅里叶变换

傅里叶变换是一种将信号从时间域转换到频率域的数学操作。在信号处理中，傅里叶变换通常用于分析信号的频域成分，对信号进行滤波、压缩、去噪等处理。
在连续时间信号处理中，假设一个信号为 f(t)，它的傅里叶变换函数为 F(w)，傅里叶变换的定义如下：
F ( w ) =