关于冈萨雷斯《数字图像处理中》中Separable Filter Kernels（可分离卷积核）的说明

在书中，冈萨雷斯通过二维卷积的可交换性说明了可分离卷积核的使用方法，
可是，有几个关键的概念在书中含糊不清。在此补充，也作为自己查了那么久资料的记录。

首先，上图的卷积是什么类型的卷积？在书的前几页中，冈萨雷斯介绍了两种卷积，一种是普通卷积，书中的名字直接就是convolution，计算方法是使得卷积核的中心接触到图像中的每一个点，图像的补零个数为：(m-1)/2和(n-1)/2。另外一种卷积方法是让卷积核中的每一个系数都接触到图像，图像的补零个数为(m-1)和(n-1)。随后冈萨雷斯直接给出了卷积的性质，如下图。
可是，在书中冈萨雷斯并没有说明满足上图性质的卷积是什么类型的卷积。对此非常令人困惑。在此，本文将给出答案。
第一、上述的两种卷积的学名分别叫做same卷积和full卷积，前者补零个数为后者的一半。
第二、Separable Filter Kernels指的是原始的Kernel可以被写成多个Kernel的full卷积运算结果，而不是same卷积。
第三、满足交换律结合律分配律的是same卷积，full卷积并不满足交换律但是满足结合律（不知道满不满足分配律），但是一维水平方向和一维垂直方向的向量的full卷积满足交换律。
第四、
在上图的（3-52）公式，卷积核分离的时候采用的是full卷积，而和图像作运算时可以采用full卷积或者same卷积，二者皆可。即w=w1w2（full卷积），wf=(w1*f)*w2（两种卷积皆可）。
下面给出一个例子。
设有如下图的图像和卷积核。

首先计算他们二者之间的full卷积，

得到

由于卷积核等于某两个一维向量的full卷积，即
注意，这里的一维full卷积是可交换的（虽然它并不满足交换律）
①对于计算Kernel和I的full卷积（注意顺序不能颠倒，毕竟full卷积不满足交换律，但是满足结合律，下图的星号都是full卷积）：
代码为：
结果依旧为：
以上就是针对full卷积的可分离卷积核的计算方法。
其实same卷积以及pytorch、tensorflow中常用的valid卷积的结果都是full卷积的子集，因此其实会使用full卷积后，其他的卷积也相当于都会用了。
②same卷积：
先计算原始的结果：
得到：
然后分步计算
注意：上图中的两个kernel如果进行full卷积是可以得到原始的卷积核的，但是两个子卷积核和原始图像进行卷积的时候采用的都是same卷积的方式。结果为
可见，结果一样。

其实博主对冈萨雷斯的感到疑惑，因为卷积的交换律我觉得是不满足才对的。比方说，对于same卷积，交换后补零的对象都不同，这样的结果不可能相同，但是我相信他这种大牛是不可能犯这种低级错误的，这里就先不深究了。