Full卷积 Same卷积 Vaild卷积 时域中的卷积等同于频域中的乘积 加权平滑

 卷积定理是处理信号的重要工具：时域中的卷积等同于频域中的乘积。这意味着我们可以通过傅里叶变换将复杂的卷积运算简化为简单的乘法

卷积是现代科技（尤其是 AI 和图像处理）的基石：

• 图像处理：使用特定的卷积核（如 3x3 矩阵）对图像进行扫描，可以实现边缘检测、模糊处理或锐化效果。
• 深度学习 (CNN)：卷积神经网络的核心就是卷积层，它能像人类视觉一样自动从图片中提取纹理、形状等特征。
• 信号处理：在通信系统中，任何线性时不变（LTI）系统的输出都可以看作是输入信号与系统冲击响应的卷积。
• 概率统计：两个独立随机变量之和的概率密度函数，正是它们各自密度函数的卷积。

 

你可以把卷积想象成一种“加权平滑”。例如，在图像模糊处理中，图像的每一个像素点都会参考其周围像素的值进行重新计算，周围像素对中心点的影响权重由“卷积核”决定。

 

1. 图像处理与神经网络（直观应用）

在 CNN（卷积神经网络）中，卷积就像是一个“特征过滤器”。

• 操作过程：一个小的矩阵（卷积核，比如 3x3）在图像上逐行逐列滑动。
• 目的：滑动过程中，卷积核与覆盖的像素点做乘加运算。不同的核能“过滤”出不同的信息，比如边缘、线条、色彩对比度等。
• 直观理解：这就像是你拿着放大镜扫视一张大图，放大镜只对特定的图案（如猫的耳朵）有反应。

 

2. 数学与信号处理（底层逻辑）

在系统分析中，卷积代表了“系统的记忆与叠加”。

• 核心逻辑：如果你给系统一个瞬时的冲击，系统会产生一个持续衰减的回响。如果你持续给系统输入，那么某一时刻的输出，就是过去所有输入产生的回响在当下的叠加。
• 计算三步走：
  1. 翻转（Flip）：把其中一个函数左右镜像。
  2. 移动（Shift）：让它在时间轴上滑动。
  3. 相乘求和（Sum）：计算重叠部分的面积。

 

---

 

 

 

这三个术语主要出现在深度学习（神经网络）中，用来描述卷积操作后输出图像（特征图）的大小。

它们的区别主要在于如何处理图像的边缘（即是否补零 Padding）。

1. Valid 卷积（不填充）

 

• 操作：卷积核完全在图像内部移动，不超出边界。
• 结果：输出尺寸缩小。
• 特点：舍弃了边缘像素，因为边缘无法凑够一个完整的卷积核。
• 公式：$N - K + 1$ （$N$为原图大小，$K$为卷积核大小）。

2. Same 卷积（等效填充）

 

• 操作：在图像边缘填充 0（Padding），使得卷积核可以滑动到边界之外。
• 结果：输出尺寸与输入尺寸完全相同（如果步长为 1）。
• 特点：目前最常用，能够保持特征图的空间维度，防止深度网络中图像缩得太快。
• 公式：Padding 数量通常设置为 $(K-1)/2$。

3. Full 卷积（全填充）

 

• 操作：只要卷积核与原图有一个像素重叠，就进行计算。
• 结果：输出尺寸增大。
• 特点：在信号处理中常见，或者在深度学习的“反卷积”（转置卷积）中用于上采样（图像放大）。
• 公式：$N + K - 1$。

---

直观对比图示

假设输入大小为 5x5，卷积核为 3x3：

模式	是否填充 (Padding)	输出大小	核心逻辑
Valid	无 (Padding=0)	3x3	只算“完全重叠”的部分，图像变小
Same	补一圈 (Padding=1)	5x5	通过补 0 让输出跟输入一样大
Full	补两圈 (Padding=2)	7x7	从“沾边”就开始算，图像变大