4.线性和卷积——相关与卷积、卷积的属性、计算复杂度和可分性_2

目录

相关与卷积

卷积的属性

计算复杂度和可分性

---

相关与卷积

我们遇到过这样的问题，当我们进行相关时，我们得到了这个翻转的东西。

我们看以下公式：

还有，如果你记得，这是相关方程，我们有这个核H，我们对它求和，从-k到+k，乘以我们的图像，

结果就是它导致我们最终得到这个翻转的结果。

正确的思考方法是，当一个脉冲进来，它碰到滤波器，它出来的是这样的，这个反向信号。如图：

思考算子的正确方法是有一种叫做卷积的东西：

当我们进行卷积时，当我们说我们要应用这个过滤器或这个内核时，

我们实际意味着什么，以及卷积的作用是什么呢？ 在两个维度上翻转(从下到上，从右到左)：

你可以翻内核或翻转像素的轴，

没关系，你会得到，相同的值，所以翻转会给你带来所谓的卷积。

那么顺便说一句，如果我使用的是高斯或盒式滤波器，输出对于相关和卷积会有什么不同，

如果我翻转我的高斯会发发生什么? 答案是：没有。

对于循环对称或对称滤波器，无论我是进行卷积还是相关都无关紧要。

在下一篇文章中对我们来说很重要，在这之后当我们对一个方向求导时，那就是你必须小心的，

但如果你有一个对称的过滤器，它并不重要。

这可以用下面的方法很好地说明，下面我们有卷积算符的方程，如图：

这里我们有过滤器，上面有一个小星号，星号用来显示右上角是翻转方向。

当我们进行相关时，我们只需选择它，然后我们就可以将它滑动，

当我们进行卷积时，我们所做的就是旋转，这个东西它实际上是向左，向右，向上，向下，向右翻转它 ，

你会看到左下角的小星号现在在这里。如图：

那么，这就是我们的卷积运算符。

同样，相关性和卷积之间的差异只在有不对称滤波器的情况下才重要，但现在您知道了它们的区别。

就像我说的，卷积实际上是一种物理，所以当你把一个脉冲放到这个响应中会发生什么？请看小测验。

小测验：

如果我们对脉冲图像进行卷积，我们会得到什么？

A，图像的模糊版本。

B，原始图像。

C，原始图像的移位版本。

D，你不知道。

答案：B。我们考虑的是脉冲，图像，和过滤器。但是你可能只想把过滤器当成图像，而脉冲就是你正在做的旋转，卷积。

基本上所有的脉冲都在做，就是把单个像素拉出来然后粘贴到结果中，你只是回到原始图像。

简单易懂的卷积定义：

https://blog.csdn.net/bitcarmanlee/article/details/54729807

加深理解卷积和相关的区别：

https://www.youtube.com/watch?v=C3EEy8adxvc

https://www.youtube.com/watch?v=MQm6ZP1F6ms&t=16s

卷积的属性

还有一件事。

为了使所有这些工作，我们需要一个称为移位不变性的属性。

移位不变性 基本上是您的运算符在任何地方的行为都是相同的。

即输出的值取决于图像邻域中的模式，不是邻域的位置。

这意味着我可以改变周围的事物并做加法，并将整个图像恢复原状。

如前所述，因为卷积或相关是建立在乘法和加法之上的，所以它们是线性运算，使得滤波的整个概念成为线性运算。

这意味着卷积具有一些非常有用的属性。

第一个属性：它是可交换的。如图：

请记住关于哪个是脉冲（f）以及哪个是过滤器（g）。

还有一个属性：它也是关联的。如图：

上面式子说明了卷积的关联属性，我们将在一分钟内利用这一点。

接下来的属性是：它有一个单位脉冲。如图：

这是恒等（Identity）。所以我们谈论的是，如果您使用该恒等卷积任何函数，您将获得该函数。

然后这是一个很酷的。

当然，微分（Differentiation）只是减法的限制，然后是除法，在这种情况下，除法与乘以1相同。

因此，微分是线性运算。

现在你可能已经从微积分中记住了这一点，，所以A的导数乘以f，其中a是常数，只是a乘以f的导数。

并且导数乘以 f 乘以g（）等于 f 的导数乘以g （）。

因此，微分也是线性运算。

计算复杂度和可分性

我想快速谈谈计算复杂性。

之前提到过：如果你的图像是N乘N而你的内核是M乘以M，或者我们将M称为宽度为W乘以W。如图

所以问题是我们需要多少乘法？

 

 我们之前说过，我们需要N乘以N * W乘以W，或N平方W平方。

 这里有一个很可爱的小属性。

 有时您的主要内核，您的过滤器，也可以通过将单个行与单个列卷积来创建。

当这是真的时，就我们如何做到这一点，你可以利用关联属性，这就是所谓的线性可分内核。

那么让我举个例子吧。

所以这里我们有一个列，这里我们有一行。并且只想到它周围的0。

如果我通过这一行卷积这一列，我会得到这个新的H，里面有1 2 1 2 4 2 1 2 1。所以 c 与 r 卷积等于 H。如下图：

假设我们要用H过滤某个东西。所以这看起来像这样：

我们有一个函数G，我们将通过将 F 与 H 卷积来创建。

但我们说 C卷积 R 与 H 相等，然后卷积 F 。

并且由于关联属性，C 与 R 卷积，然后与 F 卷积。如图：

为了得到我们的新函数，与 C 卷积与 R 与  F 卷积 相同。

更好的原因是我可以做两个列卷积而不是一个正方形。

所以现在不是W平方N平方而是2*W*N的平方。如图：

这可能是，当计算机速度不是很快时，这一点非常重要。

但它仍然相当重要，因为例如，如果W是31乘31，这是一个15倍的差异，好吗？

所以这不仅仅是一个数量级。

任何时候你都可以做任何事，用不了多少钱就能买到一个数量级的东西。你应该去买，因为数量级很难得到。

所以这是一个很好的方法。

因此，当我们做各种平滑等时，我们经常使用线性可分离滤波器，您只需应用它们即可。

小测验：

Division（除法）是一个线性运算符。

A，错误，因为X/ （X + Y） X/Y + X/Z；

B，正确，因为（X + Y）/Z = X/Z + Y/Z；

C，我不知道。

答案：B。因为它是由常数除法的。

过段时间，我们将进行透视投影，你最终必须通过一个点的Z值来标准化X和Y值。然后Z实际上将成为元素的一个组成部分。

由于该组件可以改变，因此不会是线性操作。由于该组件可以改变，因此不会是线性操作。

但一般来说，除法是一个精细的线性运算，因为我最后一次检查时，除以2与乘以第5点相同，乘法是线性运算的一部分。

---

——学会编写自己的代码，才能练出真功夫。