卷积与相关

最新推荐文章于 2024-09-19 17:11:11 发布

原创最新推荐文章于 2024-09-19 17:11:11 发布 · 1.4k 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#卷积相关

卷积：

在 t 时刻，激励 f(t) 在系统 g(t)上的响应 y(t). 其中y(t)为

其计算过程有个系统g（t）的翻转过程，如维基百科所示：http://zh.wikipedia.org/wiki/卷积

相关：

自相关和互相关，自相关是指同一个信号在不同时刻的相关程度，而互相关是指不同两个信号在不同时刻的相关程度。

自相关：

互相关：

在图像处理中的应用：

在执行线性空间滤波时，经常会遇到两个概念相关和卷积
二者基本相似，在进行图像匹配是一个非常重要的方法。
相关是滤波器模板移过图像并计算计算每个位置乘积之和的处理
卷积的机理相似，但滤波器首先要旋转180度
相关的计算步骤：
（1）移动相关核的中心元素，使它位于输入图像待处理像素的正上方
（2）将输入图像的像素值作为权重，乘以相关核
（3）将上面各步得到的结果相加做为输出
卷积的计算步骤：
（1）卷积核绕自己的核心元素顺时针旋转180度
（2）移动卷积核的中心元素，使它位于输入图像待处理像素的正上方
（3）在旋转后的卷积核中，将输入图像的像素值作为权重相乘
（4）第三步各结果的和做为该输入像素对应的输出像素
超出边界时要补充像素，一般是添加0或者添加原始边界像素的值
可以看出他们的主要区别在于计算卷积的时候，卷积核要先做旋转。

而计算相关过程中不需要旋转相关核。

离散单位冲击：我们将包含单个1而其余全是0的函数成为离散单位冲击。
重要性质：一个函数与离散单位冲击相关，在冲击位置产生这个函数的一
个翻转版本。
f 函数
w 滤波器模板
eg：
f（x，y）
0 0 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 0 0 0
0 0 0 0 0
w（x，y）
1 2 3
4 5 6
7 8 9
相关 f*w =
0 0 0 0 0
0 9 8 7 0
0 6 5 4 0
0 3 2 1 0
0 0 0 0 0
卷积f*w=
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
相关的用途：图象的匹配
假如函数f中存在w的一个复制版本，即f：
0 0 0 0 0
0 1 2 3 0
0 4 5 6 0
0 7 8 9 0
0 0 0 0 0
f*w是多少呢？读者也自己算吧。
9 26 50 38 21
42 94 154 106 54
90 186 285 186 90
54 106 154 94 42
21 38 50 26 9
是不是会发现w与f中w的复制版本重合时，该点的值最大。最大值为
1^2+2^2+……+9^2 = 285
这就是用相关进行图像匹配的基本原理。当然了，在图像匹配时还要进行

相关函数的归一化等操作。

matlab源代码：

<span style="font-size:14px;">%函数f  
f =  [0 0 0 0 0  
    0 0 0 0 0   
     0 0 1 0 0  
    0 0 0 0 0  
    0 0 0 0 0];  
%滤波器模板  
w = [1 2 3   
     4 5 6   
     7 8 9];  
%卷积  
ff = conv2(f,w,'same')  
%相关  
ff2 = imfilter(f,w)  
  
%图像匹配的基本原理  
f2 = [  0 0 0 0 0  
        0 1 2 3 0   
        0 4 5 6 0  
        0 7 8 9 0  
        0 0 0 0 0];  
 ff3 = imfilter(f2,w)  </span>

此处引用：http://www.cnblogs.com/libing64/archive/2011/12/13/2878738.html

有关其它参考：

2.关于卷积的一个血腥的讲解，看完给跪了

http://www.guokr.com/post/342476/