04 第三节 卷积.pptVIP

3.4 图象的卷积计算 3.4.1 卷积积分 3.4.2 二维卷积 3.4.3 离散二维卷积的矩阵运算 3.4.4 卷积与滤波 3.4.1 卷积积分 卷积(convolution) (积分)是图像处理中十分重要的基本计算法则，就像算术中的四则运算一样。 卷积积分(卷积) ： h(t)是表征线性平移不变系统特性的一个函数，叫做该系统的冲激响应，是指当系统的输入是单位冲激时得到的输出。 线性平移不变系统的输出 可通过 输入信号 与 该系统的冲激响应的 卷积 得到。 卷积积分可以简化为：g=h*f 运算符合“*”代表前后两个函数的卷积。下页图描述了两个函数的卷积过程。卷积积分的结果是图中的阴影部分的面积，最后的结果g(t)是t的函数。 3.4.1 卷积积分 1）线性移不变系统的两种表示形式 复数形式的传递函数； 实数形式的卷积冲激响应； 两者是统一的。 2）卷积的性质 交换性 加法的分配率 结合率 求导的性质 卷积积分的步骤 相关函数 相关函数 卷积积分的过程 卷积积分的过程 卷积积分的过程 3.4.1 卷积积分 3）一维离散卷积 3.4.2 二维卷积 设f和h分别是二元连续函数，即f(x,y)和h(x,y)，则它们的卷积积分为 式中的h是一个卷积函数 用在图像处理之中，这个卷积函数就是一个表征图像处理系统性质的函数。 二维连续函数的卷积过程与一维卷积相似，也是反转－平移－直（点）积－积分的过程。二维卷积的结果g(x,y)是一个体积。 3.4.3. 离散二维卷积的矩阵运算 二维卷积过程如下： 由h(i, j)产生序列h(i-m, j-n)。首先把h(m, n)对m和n轴进行反转，然后进行平移，使得抽样h(0, 0)处于(i, j)点上。 计算f(m,n)h(i-m, j-n)乘积序列。 将乘积序列的各非零抽样值相加，得到卷积输出值g(i, j) 当m、n变化时，则序列h(i-m, j-n)移到(m,n)平面的另一个位置，得到另一个卷积输出值。 3.4.3. 离散二维卷积的矩阵运算 3.4.3. 离散二维卷积的矩阵运算 二维卷积卷积运算比较复杂，不能用两个二维序列的矩阵形式直接运算。要对它们进行适当的构造以通过矩阵相乘的运算得到卷积的结果。 首先认为两个序列f(i, j)与h(i, j)都是在x和y方向上周期至少为N和M的无限长周期序列的一部分。 将它们用矩阵形式描述，则为F与H，它们的卷积为G=F*H=H*F 设F的大小为(mf×nf)，H的大小为(mh×nh)。由于卷积运算是两个序列之间展转相乘求和的过程，所以在运用矩阵形式时要把F和H加以扩展。扩展后的矩阵大小为M×N（其中M≥mf+ mh-1, N≥nf+ nh-1）用”0”元素填充扩展区的行、列，把扩展后的矩阵命名为Fp和Hp。为了方便起见，令M=N。 3.4.3. 离散二维卷积的矩阵运算 2.3. 离散二维卷积的矩阵运算 3.4.3. 离散二维卷积的矩阵运算 3.4.4. 卷积与滤波 卷积的数字实现可用于对数字信号和数字图像的线性滤波 2.4. 卷积与滤波 单位脉冲输入通过一个一阶低通滤波器之后,减少了一定的高次谐波 卷积的作用和应用 * 1 折迭：把 h(?) 相对纵轴作出其镜像 2 位移：把 h(-?) 移动一个 t 值 3 相乘：将位移后的函数 h(t-?) 乘以 f(?) 4 积分： h(t-?) 和 f(?) 乘积曲线下的面积即为 t 时刻的卷积值 ? 包含脉冲函数的卷积：即 f(t) 或 h(t) 中有一个为脉冲函数，则它们的卷积是一种最简单的卷积 -T0 T0 h(t)*f(t) t a f(t) t A -T0 T0 h(t) t A ? 卷积定理：如果 f(t) 和 h(t) 的傅立叶变换分别为 F(f) 和 H(f) ,则f(t) * h(t) 的傅立叶变换为 H(f)F(f)。可以化复杂的卷积运算为简单的乘积运算,从而提供了计算卷积的一种简单手段 ? 卷积定理的简单推导： = = = = 令? =t-? 对两个不同的函数f1(t)和f2(t), 则积分 称为两个函数的互相关函数, 记为R12(t), 即 关于互相关函数, 有如下的性质: R21(t)=R12(-t) ? 相关定理：如果 f(t) 和 h(t) 的傅立叶变换分别为 F(f) 和 H(f) ,则f(t) 和 h(t) 的相关积分为 F(f)H*(f)。即 其中，F*(f) 为 F(f) 的复共轭 当f1(t)=f2(t)=f(t)时, 积分 称为f(t)的自相关函数(简称相关函数). 用记号R(t)表示, 即 ? 卷积积分的图解表示： f(t) t h(t) t 1/2 1 1 1 ?