零基础入门卷积运算：计算机视觉的数学基础

关注

原创最新推荐文章于 2026-09-17 10:00:00 发布 844 阅读 AI 写同款· GEO 优化 ›

卷积的理解、卷积公式的推导以及计算卷积)是通过两个函数f和g生成第三个函数的一种数学运算，其本质是一种特殊的积分变换，表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。（源于：百度百科）卷积是一种数学运算。既然卷积是一种数学运算，那么肯定有公式吧。我以信号与系统里的卷积公式来解释。连续LTI系统下的卷积公式为：离散LTI系统下的卷积公式为：看到这里依然云里雾里的，接下来我们一步步解释。LTI系统也叫线性时不变系统。阅读详情

引言

在计算机视觉领域，卷积运算就像是一把神奇的钥匙，能够帮助我们打开图像特征提取的大门。它是许多强大的计算机视觉模型，如卷积神经网络（CNN）的核心组成部分。对于零基础的初学者来说，理解卷积运算的原理和应用是迈向计算机视觉领域的重要一步。

卷积运算

什么是卷积运算

数学定义

在数学中，卷积是一种通过两个函数生成第三个函数的数学运算。对于离散的一维信号 ( f[n] ) 和 ( g[n] )，它们的卷积 ( (f * g)[n] ) 定义为：

[ (f * g)[n] = \sum_{k = -\infty}^{\infty} f[k] g[n - k] ]

在计算机视觉中，我们通常处理的是二维图像，因此会用到二维卷积。对于二维图像 ( I(x,y) ) 和卷积核 ( K(u,v) )，二维卷积的定义为：

[ (I * K)(x,y) = \sum_{u = -\infty}^{\infty} \sum_{v = -\infty}^{\infty} I(u,v) K(x - u, y - v) ]

直观理解

可以将卷积运算想象成一个过滤器在图像上滑动，计算每个位置的加权和。卷积核是一个小的矩阵，它包含了一组权重。当卷积核在图像上滑动时，它会与图像的局部区域进行逐元素相乘，然后将这些乘积相加，得到一个新的值，这个值就是卷积结果在该位置的值。

卷积运算的步骤

1. 定义卷积核

卷积核是一个小的矩阵，它的大小通常是奇数，例如 ( 3\times3 ) 或 ( 5\times5 )。卷积核的元素值决定了它对图像的滤波效果。以下是一个简单的 ( 3\times3 ) 卷积核的示例：

import numpy as np

# 定义一个 3x3 的卷积核
kernel = np.array([[1, 0, -1],
                   [1, 0, -1],
                   [1, 0, -1]])

2. 填充（Padding）

为了避免在卷积过程中图像的边界信息丢失，我们可以对图像进行填充。常见的填充方式有零填充（Zero Padding），即在图像的边界周围填充零值。以下是一个使用零填充的示例：

# 定义一个简单的图像
image = np.array([[1, 2, 3],
                  [4, 5, 6],
                  [7, 8, 9]])

# 进行零填充
padded_image = np.pad(image, ((1, 1), (1, 1)), mode='constant', constant_values=0)

3. 卷积操作

将卷积核在填充后的图像上滑动，计算每个位置的卷积结果。以下是一个简单的二维卷积的实现：

def convolve2D(image, kernel, padding=0, strides=1):
    # 获取图像和卷积核的尺寸
    image_height, image_width = image.shape
    kernel_height, kernel_width = kernel.shape

    # 计算输出图像的尺寸
    output_height = int((image_height + 2 * padding - kernel_height) / strides) + 1
    output_width = int((image_width + 2 * padding - kernel_width) / strides) + 1

    # 对图像进行填充
    padded_image = np.pad(image, ((padding, padding), (padding, padding)), mode='constant', constant_values=0)

    # 初始化输出图像
    output = np.zeros((output_height, output_width))

    # 进行卷积操作
    for y in range(0, output_height):
        for x in range(0, output_width):
            # 提取当前卷积区域
            image_region = padded_image[y * strides:y * strides + kernel_height, x * strides:x * strides + kernel_width]
            # 计算卷积结果
            output[y, x] = np.sum(image_region * kernel)

    return output

# 进行卷积操作
result = convolve2D(image, kernel, padding=1, strides=1)

卷积运算的应用

图像滤波

卷积运算可以用于图像滤波，例如边缘检测、模糊等。不同的卷积核可以实现不同的滤波效果。以下是一些常见的卷积核及其应用：

卷积核名称	卷积核矩阵	应用
边缘检测（Sobel 算子）	( \begin{bmatrix} -1 & 0 & 1 \ -2 & 0 & 2 \ -1 & 0 & 1 \end{bmatrix} )	检测图像中的边缘
模糊（均值滤波）	( \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \ 1 & 1 & 1 \ 1 & 1 & 1 \end{bmatrix} )	对图像进行模糊处理
锐化	( \begin{bmatrix} 0 & -1 & 0 \ -1 & 5 & -1 \ 0 & -1 & 0 \end{bmatrix} )	增强图像的边缘和细节

以下是一个使用 Sobel 算子进行边缘检测的示例：

# 定义 Sobel 算子的卷积核
sobel_x = np.array([[-1, 0, 1],
                    [-2, 0, 2],
                    [-1, 0, 1]])

sobel_y = np.array([[-1, -2, -1],
                    [0, 0, 0],
                    [1, 2, 1]])

# 进行卷积操作
edge_x = convolve2D(image, sobel_x, padding=1, strides=1)
edge_y = convolve2D(image, sobel_y, padding=1, strides=1)

# 计算边缘强度
edge_strength = np.sqrt(edge_x**2 + edge_y**2)