圖像卷積概念

圖像卷積操作（convolution），或稱為核操作（kernel），是進(jìn)行圖像處理的一種常用手段，

圖像卷積操作的目的是利用像素點和其鄰域像素之前的空間關(guān)系，通過加權(quán)求和的操作，實現(xiàn)模糊（blurring），銳化（sharpening），邊緣檢測（edge detection）等功能。

圖像卷積的計算過程就是卷積核按步長對圖像局部像素塊進(jìn)行加權(quán)求和的過程。

卷積核實質(zhì)上是一個固定大小的權(quán)重數(shù)組，該數(shù)組中的錨點通常位于中心。

卷積核大小

通常情況下，選取卷積核大小為1x1，3x3，5x5，7x7等

取奇數(shù)大小的目的是為了設(shè)置卷積核中心為錨點，方便卷積核和圖像的對齊處理

設(shè)置卷積核大小對稱的目的是為了在空間域中充分利用像素點和其領(lǐng)域像素間的關(guān)系。當(dāng)然這不是必須的，如果需要針對某一軸進(jìn)行處理，可以設(shè)置1x3或3x1大小。

參考：

Convolution

Kernel （image processing）

圖像卷積數(shù)學(xué)公式

二維離散卷積公式如下：

圖像卷積通常使用這個公式，其中g(shù)［x，y］g［x，y］g［x，y］為卷積核，符號?ast?表示卷積操作

圖形化表示

以一維離散卷積公式為例：

其圖形化公式如下：

首先將函數(shù) g（τ） 反射為 g（?τ） ，相當(dāng)于 g（τ） 沿yyy軸翻轉(zhuǎn)

再對函數(shù) g（?τ） 添加一個時間偏移量 t ，它允許函數(shù) g（t?τ） 沿著 τ 軸移動

變量 t 每增加 1，表示函數(shù) g（t?τ） 向左移動一步

計算 t 遍歷 ?∞ 到 ∞ 的過程中，函數(shù) f（τ） 和 g（t?τ） 的重疊面積

舉例

函數(shù) f = ［1，2，3，4］ ，函數(shù) g = ［1，3，2］

將函數(shù) g 逆轉(zhuǎn)：g（τ） ? g（?τ），值變?yōu)椋?，3，1］

計算過程如下：

h（0）=［1］?［1］=1?1=1

h（1）=［1，2］?［3，1］=1?3+2?1=3+2=5

h（2）=［1，2，3］?［2，3，1］=1?2+2?3+3?1=2+6+3=11

h（3）=［2，3，4］?［2，3，1］=2?2+3?3+4?1=4+9+4=17

h（4）=［3，4］?［2，3］=3?2+4?3=6+12=18

h（5）=［4］?［2］=4?2=8

h（x）=［1，5，11，17，18，8］

以此類推可知二維離散卷積的計算過程，先對角翻轉(zhuǎn)卷積核，在逐步向兩個正方向移動，計算重疊面積

flip the mask （horizontally and vertically） only once（水平和垂直翻轉(zhuǎn)掩模一次）

slide the mask onto the image（在圖像上滑動掩模）

multiply the corresponding elements and then add them（將相應(yīng)的元素相乘，然后求和）

repeat this procedure until all values of the image has been calculated（重復(fù)這一過程，直到所有圖像值均已被計算）

多說一句，關(guān)于信號與系統(tǒng)中的LTI（linear time-invariant systems，線性時不變系統(tǒng)）和LSI（linear shift invariant system，線性位移不變系統(tǒng)）的不變性一直沒太理解，圖形化理解就是信號（函數(shù)）可以隨著時間/空間移動而不改變它的原先的形狀，就像卷積核一樣。

圖像卷積注意事項

在進(jìn)行卷積操作時，需要注意兩點

卷積核歸一化

卷積核的大小和值可以根據(jù)要求定義，但通常會將整個卷積核進(jìn)行歸一化操作，其目的是為了保證修改后結(jié)果圖像的平均元素值和原始圖像平均元素值一樣。

因為卷積操作滿足齊次性，所以可以卷積計算完成后再除以整個卷積核的值。

數(shù)值精度

圖像數(shù)值類型通常為uint8，在進(jìn)行卷積操作時很容易造成數(shù)值溢出，所以在進(jìn)行操作之前可以先轉(zhuǎn)換成更高精度的數(shù)值類型