对卷积的定义和意义的通俗解释
卷积这个概念，很早以前就学过，但是一直没有搞懂。教科书上通常会给出定义，给出很多性质，也会用实例和图形进行解释，但究竟为什么要这么设计，这么计算背后的意义是什么，往往语焉不详。作为一个学物理出身的人，一个公式倘若给不出结合实际的直观的通俗的解释（也就是背后的“物理”意义），就觉得少了点什么，觉得不是真的懂了。教科书上一般定义函数f、g 的卷积f *g(n) 如下：
· 连续形式：
· 离散形式：
并且也解释了，先对g 函数进行翻转，相当于在数轴上把g 函数从右边褶到左边去，也就是卷积的“卷”的由来。
然后，再把g 函数平移到n，在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的“积”的过程。
这个只是从计算的方式上对公式进行了解释，从数学上讲无可挑剔，但进一步追问，为什么要先翻转再平移，这么设计有何用意？还是有点费解。
好在有万能的互联网，尤其是知乎、CSDN这样的网站，很多的热心网友对卷积举了很多形象的例子进行了解释，如卷地毯、丢骰子、打耳光、存钱等等，参见知乎上这两个经典的问题，回答的人很多：
如何通俗易懂地解释卷积？
https://www.zhihu.com/question/22298352
卷积为什么叫「卷」积？
https://www.zhihu.com/question/54677157
读完觉得非常生动有趣，但仔细想想，还是感觉有些地方还是没解释清楚，甚至可能还有瑕疵，或者还可以改进。
带着问题想了两个晚上，终于觉得有些问题想通了，所以就写出来跟网友分享，共同学习提高，不对的地方欢迎评论拍砖。。。
明确一下，这篇文章主要想解释两个问题：
· 卷积这个名词怎么解释？“卷”是什么意思？“积”又是什么意思？
· 卷积背后的意义是什么，该如何解释？
考虑的应用场景为了更好地理解这些问题，我们先给出两个典型的应用场景。
1. 信号分析
一个输入信号f(t)，经过一个线性系统（其特征可以用单位冲击响应函数g(t) 描述）以后，输出信号应该是什么？实际上通过卷积运算就可以得到输出信号。
2. 图像处理
输入一幅图像f(x,y)，经过特定设计的卷积核g(x,y) 进行卷积处理以后，输出图像将会得到模糊，边缘强化等各种效果。
对卷积的理解对卷积这个名词的理解：所谓两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动叠加。在连续情况下，叠加指的是对两个函数的乘积求积分，在离散情况下就是加权求和，为简单起见就统一称为叠加。整体看来是这么个过程：
翻转——>滑动——>叠加——>滑动——>叠加——>滑动——>叠加.....
多次滑动得到的一系列叠加值，构成了卷积函数。
· 卷积的“卷”，指的的函数的翻转，从g(t) 变成g(-t) 的这个过程；
· 卷积的“积”，指的是滑动积分/加权求和。
有些文章只强调滑动叠加求和，而没有说函数的翻转，我觉得是不全面的；有的文章对“卷”的理解其实是“积”，我觉得是张冠李戴。
对卷积的意义的理解：
· 从“积”的过程可以看到，我们得到的叠加值是个全局的概念。以信号分析为例，卷积的结果是不仅跟当前时刻输入信号的响应值有关，也跟过去所有时刻输入信号的响应都有关系，考虑了对过去的所有输入的效果的累积。在图像处理的中，卷积处理的结果，其实就是把每个像素周边的，甚至是整个图像的像素都考虑进来，对当前像素进行某种加权处理。所以说，“积”是全局概念，或者说是一种“混合”，把两个函数在时间或者空间上进行混合。
· 那为什么要进行“卷”？直接相乘不好吗？我的理解是，进行“卷”（翻转）的目的其实是施加一种约束，它指定了在“积”的时候以什么为参照。在信号分析的场景，它指定了在哪个特定时间点的前后进行“积”，在空间分析的场景，它指定了在哪个位置的周边进行累积处理。
下面举几个例子，说明为什么要翻转以及叠加求和的意义。
1. 信号分析
如下图所示，输入信号f(t)是随时间变化的。系统响应函数是g(t) ，图中的响应函数是随时间指数下降的，它的物理意义是说：如果在t=0 的时刻有一个输入，那么随着时间的流逝，这个输入将不断衰减。换言之，到了t=T 时刻，原来在t=0时刻的输入f(0) 的值将衰减为f(0)g(T)。
考虑到信号是连续输入的，也就是说每个时刻都有新的信号进来，所以最终输出的是所有之前输入信号的累积效果。如下图所示，在T=10时刻，输出结果跟图中带标记的区域整体有关。其中，f(10)因为是刚输入的，所以其输出结果应该是f(10)g(0)，而时刻t=9的输入f(9)，只经过了1个时间单位的衰减，所以产生的输出应该是f(9)g(1)。如此类推，即图中虚线所描述的关系。这些对应点相乘然后累加，就是T=10时刻的输出信号值，这个结果也是f 和g 两个函数在T=10时刻的卷积值。
显然，上面的对应关系看上去比较难看，是拧着的。所以，我们把g 函数对折一下，变成了g(-t)，这样就好看一些了。看到了吗？这就是为什么卷积要“卷”，要翻转的原因，这是从它的物理意义中给出的。
上图虽然没有拧着，已经顺过来了，但看上去还有点错位，所以再进一步平移T 个单位，就是下图。它就是本文开始给出的卷积定义的一种图形的表述。
所以，在以上计算T 时刻的卷积时，要维持的约束就是：t+(T-t)=T 。这种约束的意义，大家可以自己体会。
2. 丢骰子
在知乎问题“如何通俗易懂地解释卷积？”中，排名第一的马同学举了一个很好的例子（下面的一些图摘自马同学的文章，在此表示感谢），用丢骰子说明了卷积的应用。
要解决的问题是：有两枚骰子，把它们都抛出去，两枚骰子点数加起来为4的概率是多少?
分析一下，两枚骰子点数加起来为4的情况有三种情况：1+3=4，2+2=4，3+1=4。因此，两枚骰子点数加起来为4的概率为：f(1)g(3)+f(2)g(2)+f(3)g(1)。在这里，我想进一步用上面的翻转滑动叠加的逻辑进行解释。
首先，因为两个骰子的点数和是4，为了满足这个约束条件，我们还是把函数g 翻转一下，然后阴影区域上下对应的数相乘再累加，相当于求自变量为4的卷积值，如下图所示。
进一步，如此翻转以后，可以方便地进行推广去求两个骰子点数和为n 时的概率，为f 和g 的卷积f*g(n)，如下图所示。
由上图可以看到，函数g 的滑动，带来的是点数和的增大。这个例子中对f 和g 的约束条件就是点数和，它也是卷积函数的自变量。有兴趣还可以算算，如果骰子的每个点数出现的概率是均等的，那么两个骰子的点数和n=7的时候，概率最大。
3. 图像处理
还是引用知乎问题“如何通俗易懂地解释卷积”中马同学的例子。图像可以表示为矩阵形式（下图摘自马同学的文章）。
对图像的处理函数（如平滑或边缘提取），也可以用一个g 矩阵来表示，如：
注意，我们在处理平面空间的问题，已经是二维函数了，相当于：
那么，函数f 和g 的在 (u,v) 处的卷积f *g(u,v) 该如何计算呢？
按卷积的定义，二维离散形式的卷积公式应该是：
从卷积定义来看，应该是在x 和y 两个方向去累加（对应上面离散公式中的i 和j 两个下标），而且是无界的，从负无穷到正无穷。可是，真实世界都是有界的。例如，上面列举的图像处理函数g 实际上是个3x3的矩阵，这意味着在除了原点附近以外，其它所有点的取值都为0。考虑到这个因素，上面的公式其实退化了，它只把坐标 (u,v) 附近的点选择出来做计算了。所以，真正的计算如下所示：
首先，我们在原始图像矩阵中取出 (u,v) 处的矩阵：
然后，将图像处理矩阵翻转（这个翻转有点意思，可以有几种不同的理解，其效果是等效的：先沿x 轴翻转，再沿y轴翻转；先沿x轴翻转，再沿y轴翻转），如下：
原始矩阵：
翻转后的矩阵：
· 先沿x 轴翻转，再沿y 轴翻转
· 先沿y 轴翻转，再沿x 轴翻转
计算卷积时，就可以用f 和 g' 的内积：
请注意，以上公式有一个特点，做乘法的两个对应变量a、b 的下标之和都是 (u,v)，其目的是对这种加权求和进行一种约束。这也是为什么要将矩阵g 进行翻转的原因。
以上计算的是(u,v) 处的卷积，延x 轴或者y 轴滑动，就可以求出图像中各个位置的卷积，其输出结果是处理以后的图像（即经过平滑、边缘提取等各种处理的图像）。
再深入思考一下，在算图像卷积的时候，我们是直接在原始图像矩阵中取了 (u,v)处的矩阵，为什么要取这个位置的矩阵，本质上其实是为了满足以上的约束。因为我们要算(u,v) 处的卷积，而g 矩阵是3x3的矩阵，要满足下标跟这个3x3矩阵的和是 (u,v)，只能是取原始图像中以 (u,v) 为中心的这个3x3矩阵，即图中的阴影区域的矩阵。
推而广之，如果g 矩阵不是3x3，而是6x6，那我们就要在原始图像中取以 (u,v) 为中心的6x6矩阵进行计算。由此可见，这种卷积就是把原始图像中的相邻像素都考虑进来，进行混合。相邻的区域范围取决于g 矩阵的维度，维度越大，涉及的周边像素越多。而矩阵的设计，则决定了这种混合输出的图像跟原始图像比，究竟是模糊了，还是更锐利了。
比如说，如下图像处理矩阵将使得图像变得更为平滑，显得更模糊，因为它联合周边像素进行了平均处理：
而如下图像处理矩阵将使得像素值变化明显的地方更为明显，强化边缘；而变化平缓的地方没有影响，达到提取边缘的目的：
对网上一些解释的不同意见网上有一些对卷积的形象解释，如知乎问题“卷积为什么叫「卷」积？”中，以及问题“如何通俗易懂地解释卷积？”中等提出的如下比喻：
其实图中“卷”的方向，是沿该方向进行积分求和的方向，并无翻转之意。因此，这种解释并没有完整描述卷积的含义，对“卷”的理解值得商榷。
参考资料：
《数字信号处理（第二版）》程乾生，北京大学出版社
《信号与系统引论》 郑君里，应启珩，杨为理，高等教育出版社
原文链接：https://blog.csdn.net/palet/article/details/88862647
来源：东东~CSDN博客
页:
[1]