卷积神经网络点滴（三）——卷积图像

一、卷积的含义

         前面我讲的一个仓库入货和出库率的例子，不能用来很好地理解卷积图象的”卷积“。上一篇文章提到：一个系统，如果输入时不稳定的，输出是稳定的，那么卷积就是求系统存量。但是图象它不是一个系统，没有什么稳定的输出和不稳定的输入，我们把“卷积”理解得狭隘了，应该重新再进一步理解上文中的“卷积”。经过分析和查找资料，我们应该这样理解：在某一时刻，发生了一件事，而这件事会受到之前很多时刻发生的事影响，这个影响随时间变化（就是g函数），所以从数学意义上理解，仓库的例子和图像卷积也应该没什么差别，为什么呢？我们先来了解什么是图像卷积操作。

二、图像卷积操作

       图像上的卷积实际就是图像上周围像素点，对当前像素点如何产生了影响。我们来看图理解图象卷积操作。

         图像是一个个像素点组成的，如图所示的表格，表格里存放的就是像素信息（如灰度值、RGB值等），卷积就是用一个3*3的点阵（当然也可以是5*5等其它点阵，这个点阵我们叫卷积核）映射到源图像上，与对应的源图像相应位置的9个值相乘再相加，得到一个新的值，如下图中的数值8，这个值就是计算出的新的像素值。

         将卷积核从左到右从上到下移到卷积核（每次移动的步长可设定），我们会得到一系列相应位置上的像素新的值。（只是为了看图理解，本文中上图下图无关哈）

当然，这样操作后图像变小了，上图中右边新图像的像素点比左边的源图像像素点少了一圈，我们需要在原图外面加一圈0就可以得到等大的图像（见下图）。

       卷积核不同，处理后的图像效果也不一样。我们看如下图所示这样一个卷积核，卷积操作的结果实质就是图像的中某一个像素的值是它周围的像素的平均值，这就是图像平滑卷积操作，让处理过后的图像更平滑更朦胧。

三、 图像的卷积运算：

       因为是一个一个的像素点，所以图像卷积公式不是积分是相加求和。

为了理解，举例如下：

     只考虑（x，y）周围距离一个像素的影响，下图中 f(x-1,y-1)位置的像素点对f(x,y)的像素点产生的影响后的值就是(x-1,y-1)*g(1,1)。

      以此类推，分别求出f(x,y)像素点(包括它本身）周围的像素对它的影响值再相加。

     上图中f(x-1,y-1)对应的g(1,1)位置看起来是不是不对应？所以我们把g(m,n)旋转180°，看起就顺多了。实际上可以这样理解：图像卷积操作就是将卷积核旋转180°后扣到原图上再直接对应位置的像素值项相乘，再逐一相加的。