对å·ç§¯çæä¹çç解ï¼
ä»â积âçè¿ç¨å¯ä»¥çå°ï¼æ们å¾å°çå å å¼ï¼æ¯ä¸ªå ¨å±çæ¦å¿µã以信å·åæ为ä¾ï¼å·ç§¯çç»ææ¯ä¸ä» è·å½åæ¶å»è¾å ¥ä¿¡å·çååºå¼æå ³ï¼ä¹è·è¿å»æææ¶å»è¾å ¥ä¿¡å·çååºé½æå ³ç³»ï¼èèäºå¯¹è¿å»çææè¾å ¥çææç累积ãå¨å¾åå¤ççä¸ï¼å·ç§¯å¤ççç»æï¼å ¶å®å°±æ¯ææ¯ä¸ªåç´ å¨è¾¹çï¼çè³æ¯æ´ä¸ªå¾åçåç´ é½èèè¿æ¥ï¼å¯¹å½ååç´ è¿è¡æç§å æå¤çãæ以说ï¼â积âæ¯å ¨å±æ¦å¿µï¼æè 说æ¯ä¸ç§âæ··åâï¼æ两个å½æ°å¨æ¶é´æè 空é´ä¸è¿è¡æ··åã
é£ä¸ºä»ä¹è¦è¿è¡âå·âï¼ç´æ¥ç¸ä¹ä¸å¥½åï¼æçç解ï¼è¿è¡âå·âï¼ç¿»è½¬ï¼çç®çå ¶å®æ¯æ½å ä¸ç§çº¦æï¼å®æå®äºå¨â积âçæ¶å以ä»ä¹ä¸ºåç §ãå¨ä¿¡å·åæçåºæ¯ï¼å®æå®äºå¨åªä¸ªç¹å®æ¶é´ç¹çååè¿è¡â积âï¼å¨ç©ºé´åæçåºæ¯ï¼å®æå®äºå¨åªä¸ªä½ç½®çå¨è¾¹è¿è¡ç´¯ç§¯å¤çã
ä¾1ï¼ä¿¡å·åæ
å¦ä¸å¾æ示ï¼è¾å ¥ä¿¡å·æ¯ f(t) ï¼æ¯éæ¶é´ååçãç³»ç»ååºå½æ°æ¯ g(t) ï¼å¾ä¸çååºå½æ°æ¯éæ¶é´ææ°ä¸éçï¼å®çç©çæä¹æ¯è¯´ï¼å¦æå¨ t=0 çæ¶å»æä¸ä¸ªè¾å ¥ï¼é£ä¹éçæ¶é´çæµéï¼è¿ä¸ªè¾å ¥å°ä¸æè¡°åãæ¢è¨ä¹ï¼å°äº t=Tæ¶å»ï¼åæ¥å¨ t=0 æ¶å»çè¾å ¥f(0)çå¼å°è¡°å为f(0)g(T)ã
虽然以前读的是数学,但是在信号与系统的课程里面经常讲到卷积(convolution)。至于最近大火的深度学习,更有专门的卷积神经网络(Convolutional Neural Network, CNN),在图像领域取得了非常好的实际效果,已经把传统的图像处理的方法快干趴下了。
说了这么多卷积,其实很好理解。不过最近在网上查了下其他的理解,发现解释的很生动,我在这里简单总结下。
在物理上的理解就是:在线性时不变的系统中,输出信号:就是输入信号在每个位置加权单位响应的叠加和。举个例子,在2015中国计算机大会特邀报告上,中国人工智能学会理事长李德毅院士的主题报告。在报告中提到了卷积的理解问题,非常有意思。
他讲到,什么叫卷积呢?举例来说,在一根铁丝某处不停地弯曲,假设发热函数是f(t) ,散热函数是 g(t) ,此时此刻的温度就是 f(t) 跟g(t)的卷积。在一个特定环境下,发声体的声源函数是f(t) ,该环境下对声源的反射效应函数是 g(t) ,那么这个环境下的接受到声音就是 f(t) 和 g(t) 的卷积。
1、教科书
一般定义函数f,g 的卷积 f*g(n) 如下:
连续形式:
离散形式:
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。然后再把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。
2、图像处理应用
对卷积这个名词的理解:所谓两个函数的卷积,本质上就是先将一个函数翻转,然后进行滑动叠加。在连续情况下,叠加指的是对两个函数的乘积求积分,在离散情况下就是加权求和,为简单起见就统一称为叠加。
整体过程:翻转——>滑动——>叠加——>滑动——>叠加——>滑动——>叠加.....
多次滑动得到的一系列叠加值,构成了卷积函数。
(1)卷积的“卷”,指的的函数的翻转,从 g(t) 变成 g(-t) 的这个过程;同时,“卷”还有滑动的意味在里面(吸取了网友李文清的建议)。如果把卷积翻译为“褶积”,那么这个“褶”字就只有翻转的含义了。
(2)卷积的“积”,指的是积分/加权求和。
3、图像锐化(卷积核)
(1)啥也不做
得到的图像和原图是一样的。因为只有中心点的值是1。邻域点的权值都是0,对滤波后的取值没有任何影响。
(2)图像的锐化是首先找到边缘,然后把边缘加到原来的图像上面,这样就强化了图像的边缘,这样得到图像就会和原始的图像具有同样的亮度了,但是会更加锐利。
(3)下面的滤波器会更强调边缘