圖像處理為何要有卷積運算？由于圖像中含有大量的冗余信息，視覺和圖像的識別是由許多特定的邊緣信息來完成的。人眼看到的圖像是由無數小塊織成的。受此啟發(fā)，人們發(fā)現(xiàn)卷積可以更好地提取圖像的邊緣信息，去除那些冗

圖像處理為何要有卷積運算？

由于圖像中含有大量的冗余信息，視覺和圖像的識別是由許多特定的邊緣信息來完成的。人眼看到的圖像是由無數小塊織成的。受此啟發(fā)，人們發(fā)現(xiàn)卷積可以更好地提取圖像的邊緣信息，去除那些冗余的東西，并通過特定的卷積來提取特定的邊緣，就像人眼一樣，圖像信息是通過局部感知來提取的。卷積運算應用于圖像處理，有其生物學的理論基礎，可以說是仿生學較為成功的應用。

為什么卷積核可以學習到不同的特征？

假設你有一條直線，那么你肯定可以用y=kxb來描述它。

假設一條二階曲線由y=AXX BX C來描述

假設您要描述的模型沒有表達式復雜。或者，在允許的誤差范圍內，您總是可以找到一組參數，使它們幾乎一致。

以上只是一個例子。它也是初等數學。它有可以理解的特點。卷積是非線性的。這是可以證明的，但這是人類無法理解的。雖然卷積在圖像處理中仍然可以理解，但不建議用理解來指導，因為它非常痛苦

最流行的解釋是：卷積是加權平均，它是一個點及其周圍點的加權平均。

或者可以認為卷積是一種濾波器。當然，取決于卷積核心，它可以是高通濾波器或低通濾波器。

如果在圖像處理中使用卷積：低通濾波器是圖像去噪，高通濾波器是銳化。

如果在圖像識別中使用卷積：卷積是提取特征，可以是低頻特征、高頻特征或梯度特征（實際上是高頻特征）。

能不能用最通俗語言講解“卷積”？圖像處理中3*3，5*5模板卷積怎么算的？

卷積運算可分為求逆、平移、乘法和求和。在圖像處理中，圖像是一個大矩陣，卷積模板是一個小矩陣。根據上述過程，首先將小矩陣求逆，然后將其移動到某個位置。小矩陣的每個小格對應于大矩陣中的一個小格。然后將對應小格中的數相乘，將所有對應小格的乘法結果相加。最后將結果賦給小矩陣中心小格對應的圖像中小格的值，代替原始值。這就是我們要說的，倒置，平移，乘法，求和。一般的圖像卷積是從第一個像素（小格子）遍歷到最后一個像素（小格子）。經過平滑、模糊、銳化后的邊緣提取本質上都是卷積的，但模板是不同的。