信号卷积和图像卷积滤波
参考:
有gif图:【信号与系统】卷积积分这样学!
https://www.jianshu.com/p/61b21acf4b5d
信号与系统书籍下载:
https://forum.mianbaoban.cn/topic/36074_1_1.html
信号卷积
信号的平移和反转
见麻省信号与系统
一、信号平移
信号卷积
见信号与系统(郑君里)第2版完整版.pdf
注:对于h(-tau), 由于有负号,h(t-tau) (t为正),因此是往右移
对于卷积公式
e(t)和e(tao)的波形是一样,只是自变量的符号不同。
公式中的e(tao),是在保持e()信号在轴上原位不动。
每个时刻点t0,h()信号在轴上滑动反转并平移t0,然后求积分。
即每个时刻t0,h(0)总是和e(t0)对齐,求积分。
因此在信号与系统中,h适合是系统函数,x适合输入时间序列。
卷积的必要性
为什么要翻转? 说白了就是为了实现正向平移。(如果不明白,请反复看x(-t+1)的含义)
物理意义的必要性
参见: 在定义卷积时为什么要对其中一个函数进行翻转?
https://www.zhihu.com/question/20500497
https://www.zhihu.com/question/32067344
这要从因果系统说起, h(t)是个冲击响应函数, 系统任意时刻的输出是所有冲击响应函数的累加.
即卷积在t时刻的输出是所有前面时刻输入对当前的影响的叠加.
站在当前的时间点看,系统的对我们的回应都是h(0),时间轴之后的(h(1),h(2).....)都是对当前时刻对之后1.2....时刻的影响系数。而整体的回应要加上过去对于现在的残余影响。
举例1:
δ(t) * h(t) = h(t)
输入冲击函数,输出就是h(t), 说明h(t)表征了系统对单个激励的影响.
实际离散系统的输入可以看作是一个幅值不同的冲击函数序列,输出就是冲击响应的叠加
举例2:
现在我们来观察当前时刻t=4。
站在t=0时刻看他对于未来(t=4)时刻(从现在往后4秒)的影响,可见是x(0)*h(4)
站在t=1时刻看他对于未来(t=4)时刻的影响(从现在往后3秒),可见是x(1)*h(3)
站在t=2时刻看他对于未来(t=4)时刻的影响(从现在往后2秒),可见是x(2)*h(2)
站在t=3时刻看他对于未来(t=4)时刻的影响(从现在往后1秒),可见是x(3)*h(1)
因此h()必须翻转, 才能计算出过去各时刻对当前y(4)的影响
数学运算的必要性:
卷积有很多性质,比如交换率等, 这些性质是相关运算不具备的.
卷积和相关的关系
卷积(conv)”和“滑动相关(ccorr)的关系:
相同点:
1、主要运算都是积分(连续信号)或乘累加运算(离散信号) ,以及滑动
2、都可以用来从信号中提取特征
3、当系统函数h(t)对称时且是实数时,卷积和相关的运算结果相同,尽管物理含义仍然不同。
不同点:
1、卷积是对称的 conv(f,g)=conv(g,f)。而滑动相关不对称,ccorr(f,g)~=ccorr(g,f)。
2、卷积是两个系统作用时的响应,(由于对称性,谁作用于谁并不本质)。
滑动相关是衡量两个函数相似度,与相对位置之间的关系。
3、在卷积运算中包含着相关运算,可以把相关运算看作卷积运算的子集
4、信号处理上卷积可以进行局部操作(就是滤波),例如图像的高斯模糊。系统响应分析。
滑动相关一般用来进行特征检测,比如图像特征提取。
图像卷积
卷积的理解
【动图很丰富】深度学习之卷积神经网络(Convolutional Neural Network)系列理论详解和实现
https://blog.csdn.net/tong_t/article/details/88086929
理解图像卷积操作的意义
https://blog.csdn.net/chaipp0607/article/details/72236892
图像处理(卷积)作者太棒了
https://www.cnblogs.com/yymn/p/4661898.html
常用卷积核
图像卷积与滤波的一些知识点
https://blog.csdn.net/zouxy09/article/details/49080029
信号卷积和图像卷积滤波相关推荐
- 一维信号卷积与图像卷积的区别
基础概念: 卷积神经网络(CNN):属于人工神经网络的一种,它的权值共享的网络结构显著降低了模型的复杂度,减少了权值的数量.卷积神经网络不像传统的识别算法一样,需要对数据进行特征提取和数据重建,可以直 ...
- 卷积神经网络 —— 图像卷积
卷积神经网络是最具代表性的深度学习算法之一,目前已经被大范围的应用与计算机视觉等领域,并且取得了众多突破性的进展,在学习卷积神经网络之前,我们需要学习图像卷积运算. 图像卷积运算的作用 图像卷积运算是 ...
- 卷积神经网络图像卷积池化尺寸计算器
卷积神经网络图像尺寸计算器 (CNN_ImageSize_Calculator) 最近在研究图片超分辨率的问题,发现大量计算图像尺寸的问题.上网查找后发现网上大部分的神经网络可视化软件,像 Tenso ...
- python卷积神经网络图像,卷积神经网络python实现
怎样用python构建一个卷积神经网络模型 上周末利用python简单实现了一个卷积神经网络,只包含一个卷积层和一个maxpooling层,pooling层后面的多层神经网络采用了softmax形式的 ...
- python图像锐化滤波_OpenCV-Python学习(九):图像滤波
目录: 1.滤波的相关概念 2.卷积操作 3.平滑操作(低通滤波) 均值滤波 中值滤波 高斯滤波 双边滤波 4.锐化操作(高通滤波) 自定义锐化核 USM锐化(UnsharpMask) 5.梯度操作( ...
- Opencv 实现图像的离散傅里叶变换(DFT)、卷积运算(相关滤波)
原文:http://blog.csdn.net/ikerpeng/article/details/41845545?utm_source=tuicool&utm_medium=referral ...
- 在OpenCV中利用卷积进行图像滤波
简 介: 本文首先讨论了卷积核的概念,以及如何用于对图像进行滤波.然后通过他们对图像进行数学运算来实现特定的效果,比如平和和锐化.展示了如何在OpenCV中实现2D滤波. 在等同卷积卷积核之后,我们创 ...
- 图像卷积和图像滤波的一些知识
转自 http://blog.csdn.net/zouxy09/article/details/49080029 一.线性滤波与卷积的基本概念 线性滤波可以说是图像处理最基本的方法,它可以允许我们对图 ...
- 图像卷积与滤波知识点整理(2)
本文参考博文: http://blog.csdn.net/yangtrees/article/details/8740933 1.图像卷积(模板) (1).使用模板处理图像相关概念: 模板:矩阵方块, ...
- 图像卷积与滤波知识点整理(1)
本文转自:http://blog.csdn.net/zouxy09 一.线性滤波与卷积的基本概念 线性滤波可以说是图像处理最基本的方法,它可以允许我们对图像进行处理,产生很多不同的效果.做法很简单.首 ...
最新文章
- 对struts一点理解总结
- 保存现场数据和状态:onSaveInstanceState\onRestoreInstanceState\onCreate()
- php注册页面模板,选项卡式WordPress登陆注册模板
- 三次样条插值 cubic spline interpolation
- CentOS设置服务开机自动启动【转】
- 2019 年编写现代 JavaScript 代码的5个小技巧
- MySQL 基础操作
- JAVA Maven和ANT 安装 Linux(Ubuntu/Centos),Mac
- 基于STM32通过RTC唤醒低功耗模式
- DeFi 可以从金融危机中学到三件事
- 计算机学院李成伟,河南科技学院校长李成伟一行看望慰问我院招生录取工作人员...
- 大数据学习:大数据就业前景和就业方向
- 8253工作方式区别、计数初值及应用
- 错失恐惧:铸造「区块链巴别塔」的原始动力
- 当代年轻人熬夜晚睡的原因找到了!
- Java语法手册 一
- 10月17日云栖精选夜读:什么是新零售?阿里巴巴最新的报告终于说清楚了!(附报告)
- 【机房报修管理系统】后端篇(九) 在SpringBoot配置非关系型数据库Redis
- python群控安卓_Github优秀项目推荐,安卓设备免Root实现低延迟投屏和远控
- 全国职称计算机等级考试用书,全国职称计算机等级考试题库及复习资料
热门文章
- 1741. Communication Fiend(dp)
- Netlogo入门(一)
- iOS 基于 RxSwift + Moya 搭建易测试的网络请求层
- decorate装饰模式
- unity中eulerAngles和rotation的区别
- bug:Bus error的解决方法(zz)
- solution类方法怎么引用_13类地下害虫,你见过多少?怎么防治?10大方法要记牢!...
- “The Gentle Lentil Restaurant“ Case Solution Report 模型与决策-温柔小扁豆餐厅例题
- 【软件需求工程】北理的恶龙们04——项目成果总结
- 键盘鼠标录制哪个好用_视频录制不用慌!这4个免费软件随意挑,网友:电脑神器...