卷积到底是怎么【卷】的

卷积,这个词大家应该都不陌生,数学中傅立叶变换的时候,物理中信号处理的时候,图像处理中滤波的时候、提取边缘的时候,还有深度学习中卷积神经网络的时候,处处可见卷积的影子。卷积在图像处理中的应用非常广泛,可以说理解了卷积,就可以理解图像处理算法的半壁江山,也不知道这个说法是否夸张了。

但是都说卷积卷积,那卷积到底是怎么个卷法呢?本文尝试解答这一问题。

理解的卷积计算过程

想要理解卷积,一些必要的数学公式是少不了的,放心吧,就下面这一个公式了,所有讨论围绕这一个公式展开。

我们从维基百科中对于卷积的解释引入:

设: f ( x ) f(x) f(x), g ( x ) g(x) g(x) R R R上的两个可积函数,作积分:

∫ − ∞ ∞ f ( τ ) g ( x − τ )   d τ {\displaystyle \int _{-\infty }^{\infty }f(\tau )g(x-\tau )\,\mathrm {d} \tau } f(τ)g(xτ)dτ

可以证明,关于几乎所有的 ${\displaystyle x\in (-\infty ,\infty )} $,上述积分是存在的。这样,随着 x {\displaystyle x} x 的不同取值,这个积分就定义了一个新函数$ {\displaystyle h(x)}$ ,称为函数 f {\displaystyle f} f g {\displaystyle g} g的卷积,记为 h ( x ) = ( f ∗ g ) ( x ) {\displaystyle h(x)=(f*g)(x)} h(x)=(fg)(x)

我们提取下重点公式写在下面,记为公式1:

h ( x ) = ( f ∗ g ) ( x ) = ∫ − ∞ ∞ f ( τ ) g ( x − τ )   d τ (1) {\displaystyle h(x)=(f*g)(x)} = {\displaystyle \int _{-\infty }^{\infty }f(\tau )g(x-\tau )\,\mathrm {d} \tau }\tag{1} h(x)=(fg)(x)=f(τ)g(xτ)dτ(1)

以上公式1最令人迷惑也是最需要注意的部分在于,在等式的左边,自变量是 x x x,然而等式的右边自变量却变成了 τ \tau τ,更令人疑惑的是——右边自变量不是 x x x τ \tau τ也就算了,竟然还出现了一个 x x x

那么问题来了, x x x τ \tau τ,到底哪个在变?还是两个都在变?如果是都在变,那到底是怎么个变法?

这些问题还是需要慢慢道来。我们先看一个卷积稍微通俗一点的解释。

卷积

(1)即是通过两个函数 f f f g g g生成第三个函数的一种数学算子。

(2)表征函数f与经过翻转和平移的g的乘积函数所围成的的曲边梯形的面积。

上面两句话都非常重要,我们从第二句话开始看,第二句话中包含了以下四个重点信息:

  • 翻转
  • 平移
  • 乘积
  • 积分(函数围成的面积不就是积分么?)

我们一个一个来看。先看右边,我们不妨先令 x = x 0 x=x_0 x=x0, 也就是 x x x不变而 τ \tau τ变的情况。于是公式1就变成了公式2:

h ( x 0 ) = ( f ∗ g ) ( x 0 ) = ∫ − ∞ ∞ f ( τ ) g ( x 0 − τ )   d τ (2) {\displaystyle h(x_0)=(f*g)(x_0)} = {\displaystyle \int _{-\infty }^{\infty }f(\tau )g(x_0-\tau )\,\mathrm {d} \tau }\tag{2} h(x0)=(fg)(x0)=f(τ)g(x0τ)dτ(2)

1. 翻转

先看翻转,怎么翻转一个函数呢,想一下最简单的 f ( τ ) = τ f(\tau)=\tau f(τ)=τ,不难发现, f ( τ ) f(\tau) f(τ)翻转之后即为 f ( − τ ) f(-\tau) f(τ)。我用Python画出了这俩函数的图像,看起来更为直观。

翻转

2. 平移

然后看一下一个函数如何平移,仍然以 f ( τ ) = τ f(\tau)=\tau f(τ)=τ为例,回一下我们中学学过的数学知识,也许还能记起来, f ( x 0 − τ ) f(x_0-\tau) f(x0τ)就是由 f ( − τ ) f(-\tau) f(τ)向右平移 x 0 x_0 x0得到的。我们仍然以图说话,用Python作图如下, x 0 x_0 x0分别取值为 20 , 40 , 60 , 80 20,40,60,80 20,40,60,80

平移

3. 乘积

现在我们只看公式的右边部分:

KaTeX parse error: \tag works only in display equations

现在我们可以知道 g ( x 0 − τ ) g(x_0-\tau) g(x0τ)就是 g ( τ ) g(\tau) g(τ)翻转之后又向右平移 x 0 x_0 x0个单位。这时候需要考虑另一个函数 f ( τ ) f(\tau) f(τ)了。这里 我们继续举个例子,不妨令 f ( τ ) = s i n ( τ 10 ) f(\tau)=sin(\frac{\tau}{10}) f(τ)=sin(10τ)

我们继续用Python画出 f ( τ ) g ( x 0 − τ ) f(\tau )g(x_0-\tau ) f(τ)g(x0τ)如下图所示:

乘积

4. 积分

现在是较为完整的公式3的样子了,这里为了能够更好地表达,我们把区间从 ( − ∞ , ∞ ) (-\infty ,\infty ) (,)改为 ( − 50 , 50 ) (-50,50) (50,50),即画出

KaTeX parse error: \tag works only in display equations

积分

注意了,在上面的所有过程中, x x x一直是不变的,变的是 τ \tau τ。即我们上面一直是在做的是公式2右边的计算,公式2如下:

h ( x 0 ) = ( f ∗ g ) ( x 0 ) = ∫ − ∞ ∞ f ( τ ) g ( x 0 − τ )   d τ (2) {\displaystyle h(x_0)=(f*g)(x_0)} = {\displaystyle \int _{-\infty }^{\infty }f(\tau )g(x_0-\tau )\,\mathrm {d} \tau }\tag{2} h(x0)=(fg)(x0)=f(τ)g(x0τ)dτ(2)

不论 τ \tau τ怎么变化,最后一旦积分,等式右边就成了一个确定的数字,一个常量。一个 x x x对应一个 y y y嘛。此时我们可以继续看公式左边了,我们直接看公式1:

h ( x ) = ( f ∗ g ) ( x ) = ∫ − ∞ ∞ f ( τ ) g ( x − τ )   d τ (1) {\displaystyle h(x)=(f*g)(x)} = {\displaystyle \int _{-\infty }^{\infty }f(\tau )g(x-\tau )\,\mathrm {d} \tau }\tag{1} h(x)=(fg)(x)=f(τ)g(xτ)dτ(1)

左边换下位置我们也许会更好理解,即 ( f ∗ g ) ( x ) = h ( x ) {\displaystyle (f*g)(x) = h(x)} (fg)(x)=h(x)。也即之前提到的一句话:卷积即是通过两个函数 f f f g g g生成第三个函数的一种数学算子。

总结一下,卷积计算过程可以分解为四步:翻转、平移、乘积、积分

卷积为什么叫“卷积”?

1. 卷积之【卷】

那么问题来了?卷积为什么要叫“卷积”呢?换言之,卷积之“卷”和卷积之“积”分别是什么含义?

这里想像一下如果我们要卷起一张A4纸,需要怎么做?

(1)首先我们需要提起对着自己一条边,向上翻转使之对着自己身体前方——翻转!

在这里插入图片描述

(2)然后继续向下打个圈之后,就可以向前推了——平移!

在这里插入图片描述

看到没?翻转!平移!

你肯定还记得上面说的卷积计算的四个过程:翻转、平移、乘积、积分。卷积之“卷”,你明白了吗?

本文完


什么?还不能走?把画图的源码交出来?

# coding:utf-8  
""" 
Author:  CVPy-冰不语
Date:    2019/11/26
"""  
  
import numpy as np  
import matplotlib.pyplot as plt  


# 定义函数f(x)
def f(x):
    """$f\ (\\tau)$"""
    return x


# 定义函数g(x)
def g(x):
    """$f(x)=sin(x)$"""
    return np.sin(x/10)


# 设置坐标系
def set_ax(ax):
    ax.spines['top'].set_color('none')
    ax.spines['right'].set_color('none')
    ax.spines['bottom'].set_color('deepskyblue')
    ax.spines['left'].set_color('deepskyblue')

    ax.xaxis.set_ticks_position('bottom')
    ax.spines['bottom'].set_position(('data', 0))
    ax.yaxis.set_ticks_position('left')
    ax.spines['left'].set_position(('data', 0))

    ax.set_xticks(np.arange(-100,101, 50))
    # ax.set_yticks(np.arange(-100,101, 50))

    return ax


if __name__ == "__main__":
    # x的取值范围
    x = np.arange(-100, 100, 0.1)

    # ---------第一幅图:f(x)和f(-x)----------
    fig = plt.figure(figsize=(6, 6))

    # 左边画f(x)
    ax1 = fig.add_subplot(121)
    ax1 = set_ax(ax1)
    ax1.plot(x, f(x), 'orange', label=f.__doc__)
    plt.legend(loc="upper left", bbox_to_anchor=[0, 1],
               ncol=1, fancybox=True)

    # 右边画f(-x)
    ax2 = fig.add_subplot(122)
    ax2 = set_ax(ax2)
    plt.plot(x, f(-x), 'orange', label="$f\ (-\\tau)$")
    plt.legend(loc="upper right", bbox_to_anchor=[1, 1],
               ncol=1, fancybox=True)
    plt.show()

    # ---------第二幅图:f(t-x)----------
    fig2 = plt.figure(figsize=(6, 6))
    ax3 = fig2.add_subplot(111)

    ax3 = set_ax(ax3)
    ax3.set_xticks(np.arange(-100, 101, 20))
    ax3.set_yticks(np.arange(-100, 181, 20))

    for t in [20, 40, 60, 80]:
        plt.plot(x, f(t-x), label="$f\ (x_0 - \\tau) \ \ x_0={0}$".format(t))
    plt.legend(loc="upper right", bbox_to_anchor=[1, 1], ncol=1, fancybox=True)

    plt.show()

    # ---------第三幅图:g(x) * f(t-x)----------
    t = 80


    def f_mul_g(x, t):
        """$f(\\tau-x)*g(\\tau)$"""
        return f(t-x)*g(x)

    fig3, ax4 = plt.subplots()

    ax4 = set_ax(ax4)
    ax4.set_xticks(np.arange(-100,101, 20))
    # ax4.set_yticks(np.arange(-100,181, 20))

    plt.plot(x, f_mul_g(x, t), label=f_mul_g.__doc__)
    plt.legend(loc="upper right", bbox_to_anchor=[1, 1], ncol=1, fancybox=True)

    plt.show()

    # ---------第四幅图:g(x) * f(t-x)的积分----------
    import matplotlib.patches as mPatches


    def int_fg(x, t, ax5):
        ax5 = set_ax(ax5)

        plt.plot(x,f_mul_g(x, t), 'orange', label="$f\ (\\tau)*g(x_0-\\tau) \ \  x_0={0}$".format(t))
        plt.legend(loc="upper right", bbox_to_anchor=[1, 1],
                   ncol=1, fancybox=True)

        a = -50
        b = 50
        ix = np.linspace(a,b)
        iy = f_mul_g(ix,t)

        verts = [(a,0)] + list(zip(ix, iy)) + [(b,0)]
        poly = mPatches.Polygon(verts,color='deepskyblue')
        ax5.add_patch(poly)
        # plt.plot(x,g(x),label=g.__doc__)

        plt.text(30, 50, '$\int_a^b f\ (\\tau)*g(x_0-\\tau) \ \  x_0={0}$'.format(t), style='oblique',
                 bbox={'facecolor': 'orange', 'alpha': 0.5, 'pad': 5}, fontsize=15)

    fig4, ax5 = plt.subplots()
    int_fg(x, t, ax5)
    plt.legend(loc="upper right", bbox_to_anchor=[1, 1], ncol=1, fancybox=True)

    plt.ion()

    # for i in range(100):

    #     y = np.random.random()

    #     plt.autoscale()

    #     plt.scatter(i, y)

    #     plt.pause(0.01)

    fig4, ax5 = plt.subplots()
    tn = np.arange(-100,100,5)
    for t in tn:
        plt.cla()
        plt.grid(True)
        plt.autoscale()
        int_fg(x, t, ax5)
        plt.pause(0.01)

        plt.legend(loc="upper right", bbox_to_anchor=[1, 1], ncol=1, fancybox=True)

    plt.show()
已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页