卷积运算公式，图像卷积运算怎么算

发布时间：2025-12-18 热度：154

卷积运算公式，图像卷积运算怎么算

卷积运算在数学和工程领域有广泛应用，尤其在信号处理和深度学习中非常重要。

➗ 数学定义（连续形式） 对于两个连续函数 \( f(x) \) 和 \( g(x) \)，卷积运算定义为：   \[ (f * g)(x) = \int_{-\infty}^{\infty} f(\tau) \cdot g(x - \tau) \, d\tau \]   含义：将函数 \( g \) 翻转（\( g(x-\tau) \)）后与 \( f \) 相乘，积分结果为卷积在 \( x \) 处的值。 🔢 离散形式（深度学习常用） 对于离散序列 \( f[n] \) 和 \( g[n] \)，卷积公式为：   \[ (f * g)[n] = \sum_{k=-\infty}^{\infty} f[k] \cdot g[n - k] \]   简化版（有限长度序列）：   若 \( f \) 长度为 \( M \)，\( g \) 长度为 \( N \)，则：   \[ (f * g)[n] = \sum_{k=0}^{M-1} f[k] \cdot g[n - k] \quad (0 \leq n < M+N-1) \]   🧠 深度学习中的卷积层公式 在 CNN 中，输入特征图 \( X \) 与卷积核 \( W \) 的运算（含偏置 \( b \)）为：   \[ Y[i][j] = \sum{u=0}^{k-1} \sum{v=0}^{k-1} X[i+u][j+v] \cdot W[u][v] + b \]   变量说明：   \( k \times k \)：卷积核大小   \( (i,j) \)：输出特征图的位置   \( X \)：输入特征图（通常为 3D，含通道维度） 📊 直观理解 卷积本质是加权滑动平均：   将卷积核翻转（离散情况下可忽略翻转，称为“互相关”）   在输入上滑动，逐位置计算局部加权和   结果反映输入与卷积核的相似性或特征提取效果   例如，边缘检测卷积核通过对相邻像素做差，突出图像边缘。