卷积到底卷了个啥？———对卷积的通俗理解

最新推荐文章于 2023-03-22 21:20:09 发布

小鸡炖蘑菇@

最新推荐文章于 2023-03-22 21:20:09 发布

阅读量2.0k

点赞数 2

文章标签：算法卷积神经网络

本文链接：https://blog.csdn.net/weixin_48799576/article/details/126752955

版权

卷积这一数学概念在多个领域有广泛应用。本文通过离散和连续形式的公式介绍了卷积的定义，并通过丢骰子和烤面包的实例解释了卷积在概率和连续变化过程中的作用。在图像处理中，卷积用于图像平滑，通过卷积核对图像进行滤波操作。文章以直观的方式阐述了卷积的原理和实际意义。

摘要由CSDN通过智能技术生成

卷积这个概念，很早以前就学过，教科书上通常会给出它的定义和公式，并且给出它的很多性质，也会用实例和图形进行解释。但是这都是基于数学方面的解释，对于大部分人来说会显得抽象。

首先给出卷积的定义公式：

连续形式：

$(f*g)(n) = \int_{ - \infty }^\infty {{f_{(\tau )}}{g_{(n - \tau )}}} {d_\tau }$

离散形式：

$(f*g)(n) = \sum\limits_{\tau = - \infty }^\infty {{f_{(\tau )}}{g_{(n - \tau )}}}$

首先对g函数进行翻转，相当于在数轴上把g函数从右边褶到左边去，也就是卷积的“卷”的由来。接着将g函数平移到n，在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的“积”的过程。

将卷积放到实际应用场景中来讲，举个例子：丢骰子，这是一个典型的离散卷积的场景情况，将两个骰子同时抛出后，两个骰子点数相加等于4的概率是多少呢？

我们使用f(.)和g(.)分别表示两个骰子出现的点数的概率，比如f(1)就表示第一枚骰子出现1的概率，g(2)就表示第一枚骰子出现2的概率并以此类推，那么两个骰子点数加起来等于4的概率就为

f(1)g(3)+f(2)g(2)+f(3)g(1)

将其写成标准形式就是：

$(f*g)(4) = \sum\limits_{{\rm{m}} = 1}^3 {{f_{(4 - {\rm{m}})}}{g_{(m)}}}$

再举个连续卷积的例子：烤面包

一家面包店在不间断的生产面包，假设生产面包的速度是f(t)，那么n个小时后生产出来的面包数量就是： $\int_0^n {{f_{(t)}}} {d_t}$ ，假设面包生产出来后会逐渐变质，变质情况可以用函数g(t)表示，那么同一时间生产的k个面包的变质情况就是：k * g(t)。

这样来看，第一个小时生产的面包在n个小时后会经历n个小时的变质，第二个小时生产出来的面包在n个小时后会经历n-1个小时的变质...

以此类推，我们可以得到所有面包在n个小时后的变质情况：

$\int_0^n {{f_{(t)}}{g_{(n - t)}}} {d_\tau }$

在图像处理领域中，我们可以认为卷积可以对图像进行一系列的效果处理，例如模糊、强化、减少噪点等。举例来说，一幅图像中有很多噪点，而这些噪点属于高频信号，就好似一块平地上出现了高耸的山丘，要想平滑这些山丘就要将这些山丘刨去一些土分散到周围的平地上，使高度分散开。卷积就可以帮助图象实现这个平滑的过程。

假设有这样一个m*n大小的图片，将其转化为矩阵：