相关和卷积

相关

在信号处理中，cross-correlation是用来度量两个有相对位移的函数（信号）的相似程度的。连续函数(信号)$f$和$g$的相关定义为：　　　　　　　　　　　　　　　　　　　　　　　　　　　

$$(f\star g)(\tau )\ {\stackrel {\mathrm {def} }{=}}\int _{-\infty }^{\infty }f^{*}(t)\ g(t+\tau )dt＝\int_{-\infty}^{\infty}f^*(t'-\tau)g(t')dt'$$
其中$f^*$表示$f$的复共轭，$\tau$表示位移。
离散信号互相关的表示为：

$$(f\star g)[n]\ {\stackrel {\mathrm {def} }{=}}\sum _{m=-\infty }^{\infty }f^{*}[m]\ g[m+n]$$

卷积

卷积定义：

$$(f* g)(t )\ {\stackrel {\mathrm {def} }{=}}\int _{-\infty }^{\infty }f(\tau)\ g(t-\tau )dt=\int_{-\infty}^{\infty}f(t-\tau)g(\tau)d\tau$$
cross-correlation 和两个信号的卷积有些相似。而auto-correlation就是函数与自己做cross-correlation，自相关总会在 $\tau$等于0是达到峰值。
离散信号卷积的定义：
$$s[n]=(f* g)[n]\ {\stackrel {\mathrm {def} }{=}}\sum _{m=0}^{N-1}f[m]\ g[n-m]$$
相关和卷积性质：

• $f(t)$和$g(t)$的互相关等于$f^*(-t)$和$g(t)$的卷积，即：$f\star g=f^*(-t)*g$
• $F\{f\star g\}=(F\{f\}^* \cdot F\{g\}$,其中$F$表示傅里叶变换。
• 相关操作，$f(t)$需要取复共轭，$f(t)$也不需要翻转
• 卷积操作需要把$f(t)$翻转。

卷积的可视化例子

1、连续信号

２、离散信号
公式$s[n]=(f* g)[n]\ {\stackrel {\mathrm {def} }{=}}\sum _{m=0}^{N-1}f[m]\ g[n-m]$中N表示信号$f(n)$的信号长度，$s[n]$为卷积信号结果。序列长度：$len(f(n)+len(n)-1$

example1:一维卷积

f(n)=[1 2 3];g(n) = [2 3 1];

s(0) = f(0)g(0-0) + f(1)g(0-1)+f(2)g(0-2)
= 1*2 + 2*0 + 3*0 =2

s(1) = f(0)g(1-0) + f(1)g(1-1) + f(2)g(1-2)
   = 1*3 + 2*2 + 3*0 = 7

s(2) = f(0)g(2-0) + f(1)g(2-1) + f(2)g(2-2)
=1*1 + 2*3 + 3*2=13

s(3) = f(0)g(3-0) + f(1)g(3-1) + f(2)g(3-2)
=1*0 + 2*1 + 3*3=11

s(4) = f(0)g(4-0) + f(1)g(4-1) + f(2)g(4-2)
=1*0 + 2*0 + 3*1=3

最终结果为:    s(n) = [2 7 13 11 3]

操作步骤：

　 　 　[２　　　　　　7 　　 　　　13　　　 　　７　　　　　 　 　3]
　$g(m)$在信号处理中通常叫做滤波器或掩码，卷积相当于掩码g(m)反转后在信号f(n)上平移求和。Matlab计算卷积的函数为conv,

A= [1 2 3];
B = [2,3,1];
convD = conv(A,B)
convD =[ 2 7 13 11 3]

example2二维卷积

二维卷积定义：

$$s(n_1,n_2)=\sum_{k_1={-\infty}}^{\infty}\sum_{k_2={-\infty}}^{\infty}f(k_1,k_2)g(n_1-k_1,n_2-k_2)$$

同一维情况一样，先将卷积模板翻转180°，过程如下：

参考文献：

1. 矩阵卷积、矩阵相乘的转化
2. 离散卷积与自相关———-信号处理系列