卷积的概念,快速掌握卷积操作和高斯函数

卷积（Convolutions）

在这篇文章中，主要介绍卷积的线性操作，通过理解卷积在图像去噪的应用，引出高斯函数，深入理解卷积。

（一）图像类型

1.二进制图像(Binary)

在一个分辨率为p×q（宽度×高度）的图像中，每一个元素由0和1表示，要么是0（黑色），要么是1（白色），每一个点占1bit。

2.灰度图像（Gray Scale）

在一个分辨率为p×q的图像中，每个像素点的取值有256种，每一个点占1byte

3.彩色图像（Color）

在一个分辨率为p×q的图像中，一个点有三个通道，分别是R、G、B，每个通道上元素的取值有256种，因此每个点用3byte表示。

（二）卷积操作

1.卷积核

噪声点：比周围的像素点较突兀的点。

如何去除噪声点，让图像效果更加平滑？

去除噪声点的一种最直接的思想就是把该点和周围的点平均一下，用周围点和该点的加权平均值作为该点的值

带权值的点构成的窗口称为卷积核，也称为滤波核。我们通过卷积核可以得知周围每个点的权重是多少。

卷积核模板的大小一般是奇数的，3×3、5×5、7×7。

具体是如何做的呢？

2.卷积操作

假设现在有一个图像f和一个卷积核g。

（1）首先，卷积核需要进行翻转（图像上的卷积核已经完成了翻转）

（2）经过翻转后的卷积核放置图像的左上方，从左上方开始对像素点进行运算。

（3）卷积后的图像上一点的值等于将卷积核模板的值（卷积核的中心点对应图像该点的位置）和对应位置的图像上点的值相乘后累加得到的值，这就是一个点的卷积操作的全过程。

（4）对于整个图像的卷积操作就是将卷积核平移，让每个点都进行一次卷积操作。

解释公式各符号的含义：
k，l的取值有-1、0、1；
[m,n]为卷积核的中心点在图像上的坐标；
f[x,y]为该点的图像的像素值；m-k与n-l实现卷积核的翻转；
g[x,y]为该点的卷积核的值，g[0,0]为卷积核的中心点的值。

3.性质

（1）线性

f1，f2两张图像，先求和再卷积与每张图像卷积之后再求和是一样的。

（2）平移不变性

先对图像平移再卷积与先对图像卷积再平移是一样的，因为卷积操作是对周围小邻域进行操作，平移并没有改变周围点的值。

推导出结论：任何平移不变的操作都可以用卷积操作

（3）其它的性质

4.类型

（1）原图