关于卷积

本文通过Matlab代码详细展示了如何验证卷积定理,包括一维和二维卷积,并指出了验证过程中常见的错误及其解决办法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

卷积定理的证明(Matlab):转自http://blog.youkuaiyun.com/harry330/article/details/5252848

矩阵卷积原理:http://bbs.sciencenet.cn/home.php?mod=space&uid=268138&do=blog&id=383185

最近看数字图像处理的论文,用到了卷积定理:

          f(x,y)*h(x,y)<=>F(u,v)H(u,v)
          f(x,y)h(x,y)<=>F(u,v)*H(u,v)

一直验证不成功。在网上找到了答案。http://hi.baidu.com/grubbyfans/blog/item/fe62eaadb6ba450c4b36d696.html

a=[1,2;3,4];
b=[5,6;7,8];
c = conv2(a,b)
a(4,4)=0;
b(4,4)=0;
d = ifft2(fft2(a).*fft2(b))

结果:

c =

     5    16    12
    22    60    40
    21    52    32


d =

     5    16    12     0
    22    60    40     0
    21    52    32     0
     0     0       0        0

之前自己一直验证不正确的错误在于两个地方,第一是将矩阵点乘做成了矩阵乘。第二是没有对矩阵做扩充。a(4,4)=0;  b(4,4)=0;


一维卷积定义http://www.mathworks.cn/help/techdoc/ref/conv.html



二维卷积定义http://www.mathworks.cn/help/techdoc/ref/conv2.html



关于卷积,有一些特别的卷积需要注意。首先是padding(填充),它是在进行卷积操作时,在输入数据周围添加额外的值或像素,以便在进行卷积运算时保持输出大小与输入大小相同。常见的padding尺寸是3x3、5x5、7x7,它们与卷积核的尺寸和操作有关。 其次是卷积核的深度与个数(depth、filter)。卷积核的深度决定了它能够提取的特征类型,例如颜色增强和边缘提取。而卷积核的个数则表示在每个深度上使用的不同卷积核的数量。这些参数的选择可以影响卷积操作对特征的提取和准确性。 此外,卷积核的大小也会对网络性能产生影响。较大的卷积核具有更大的感受野,可以提取更多的特征信息,但可能会导致计算量增加。而较小的卷积核在一些情况下可能更有效,因为它们可以捕捉到更细微的特征。因此,选择适当的卷积核大小是根据应用场景和网络性能需求来决定的。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [卷积神经网络中卷积的作用与原理](https://blog.youkuaiyun.com/bjbz_cxy/article/details/128263500)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [奇数卷积核VS偶数卷积核](https://download.youkuaiyun.com/download/weixin_38750644/14033622)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值