取自 知乎@马同学,在此表示感激,侵删。
从数学上讲,卷积就是一种运算。
某种运算,能被定义出来,至少有以下特征:
-
首先是抽象的、符号化的
-
其次,在生活、科研中,有着广泛的作用
比如加法:
- (a+b),是抽象的,本身只是一个数学符号
- 在现实中,有非常多的意义,比如增加、合成、旋转等等
卷积,是我们学习高等数学之后,新接触的一种运算,因为涉及到积分、级数,所以看起来觉得很复杂。
1 卷积的定义
我们称 为
的卷积
其连续的定义为:
其离散的定义为:
这两个式子有一个共同的特征:

这个特征有什么意义?
我们令 (x= au ,y=n- au) ,那么 (x+y=n) 就是下面这些直线:

只看数学符号,卷积是抽象的,不好理解的,但是,我们可以通过现实中的意义,来习惯卷积这种运算,正如我们小学的时候,学习加减乘除需要各种苹果、糖果来帮助我们习惯一样。
我们来看看现实中,这样的定义有什么意义。
2 离散卷积的例子:丢骰子
我有两枚骰子:

把这两枚骰子都抛出去:

求:两枚骰子点数加起来为4的概率为多少?
这里问题的关键是,两个骰子加起来要等于4,这正是卷积的应用场景。
我们把骰子各个点数出现的概率表示出来:

那么,两枚骰子点数加起来为4的情况有:



因此,两枚骰子点数加起来为4的概率为:
符合卷积的定义,把它写成标准的形式就是:
3 连续卷积的例子:做馒头
楼下早点铺子生意太好了,供不应求,就买了一台机器,不断的生产馒头。
假设馒头的生产速度是 (f(t)),那么一天后生产出来的馒头总量为:
馒头生产出来之后,就会慢慢腐败,假设腐败函数为 (g(t)) ,比如,10个馒头,24小时会腐败:
想想就知道,第一个小时生产出来的馒头,一天后会经历24小时的腐败,第二个小时生产出来的馒头,一天后会经历23小时的腐败。
如此,我们可以知道,一天后,馒头总共腐败了:
这就是连续的卷积。
4 图像处理
4.1 原理
有这么一副图像,可以看到,图像上有很多噪点:

高频信号,就好像平地耸立的山峰:

看起来很显眼。
平滑这座山峰的办法之一就是,把山峰刨掉一些土,填到山峰周围去,用数学的话来说,就是把山峰周围的高度平均一下。
平滑后得到:

4.2 计算
卷积可以帮助实现这一平滑算法。
有噪点的原图,可以把它转为一个矩阵:

然后用下面这个平均矩阵(说明下,原图的处理实际上用的是正态分布矩阵,这里为了简单,就用了算术平均矩阵)来平滑图像。
记得刚才说过的算法,把高频信号与周围的数值平均一下就可以平滑山峰。
比如我要平滑 (a_{1,1}) 点,就在矩阵中,取出 (a_{1,1}) 点附近的点组成矩阵 (f) , 和 (g) 进行卷积计算后,再填回去:

要注意一点,为了运用卷积,(g) 虽然和 (f) 同纬度,但下标有点不一样:

我用一个动图来说明计算过程:

写成卷积公式就是:
要求 (C_{4,5}) ,一样可以套用上面的卷积公式。
这相当于实现了 (g) 这个矩阵在原来图像上的滑动(准确来说这幅图把 (g) 矩阵旋转了 (180^circ) ):
