1

conv2函数

C=conv2(A,B,shape); %卷积滤波 
参数说明: 
A:输入图像 
B:卷积核 
shape的可选值为full、same、valid。 
1)当shape=full时,返回全部二维卷积结果,即返回B的大小为(ma+mb-1)x(na+nb-1)。 
2)shape=same时,返回与A同样大小的卷积中心部分。 
3)shape=valid时,不考虑边界补零,即只要有边界补出的零参与运算的都舍去,返回B的大小为(ma-mb+1)x(na-nb+1)。 
上面叙述看起来略有些抽象,可以结合下面的图一起理解。 
3种参数的区别见图。 
 
 

filter2函数

B = filter2(h,A,shape) ; %相关(correlation)滤波 
这里需要明晰一下卷积和相关的区别,卷积操作就是先将卷积核旋转180度然后再和核大小相同的区域内的各元素对应相乘再相加。也就是核旋转180后卷积。而相关操作就是直接用核卷积,不做旋转。注意,我在叙述的时候,把2个区域对应元素相乘再相加这一个操作称为卷积。 
参数说明: 
A:输入图像,h:相关核 
假设输入图像A大小为ma x na,相关核h大小为mb x nb。 
1)当shape=full时,返回全部二维卷积结果,即返回B的大小为(ma+mb-1)x(na+nb-1) 
2)shape=same时,返回与A同样大小的卷积中心部分。 
3)shape=valid时,不考虑边界补零,即只要有边界补出的零参与运算的都舍去,返回B的大小为(ma-mb+1)x(na-nb+1)。

imfilter函数

imfilter函数能够实现3通道的RGB图像和单通道的滤波器的卷积,并且返回的图像也是3通道的。 
B=imfilter(A,H,option1,option2,option3); 
参数说明: 
A:输入图像,H:滤波核 
1)option1:边界选项,可选的有:补充固定的值X(默认都补零),symmetric,replicate,circular 
2)option2:输出图像大小选项,可选的有same(默认),full 
3)option3:决定采用与filter2相同的相关滤波还是与conv2相同的卷积滤波

三者的比较

1)filter2输入类型无所谓,输出是double的,输入在边界总是补零(zero padded), 不支持其他的边界补充选项。 
2)conv2的输入只能为double型的,否则会提示警告,输出也是double型的。 
2) imfilter:不一定要将输入转换为double,但是输出只与输入同类型,有灵活的边界补充选项。有symmetric、replicate,same等。 
在适用图像的维度上,imfilter可进行多维图像(RGB等)进行空间滤波,filter2 只能对二维图像(灰度图)进行空间滤波,conv2可以对图像矩阵实现自己想实现的卷积操作,最简单最常用的是二维。所以conv2和filter2类似,多维图像(RGB等)要用imfilter。

【2】

二维卷积的算法原理比較简单,參考随意一本数字信号处理的书籍,而matlab的conv2函数的滤波有个形状參数,用以下的一张图非常能说明问题:

这里给出一种最原始的实现方案。这样的实现对于数据矩阵大小为1000x1000,卷积核矩阵大小为20x20,在我的机器上须要大约1秒钟的时间。而matlab採用的MKL库最快仅仅须要将近0.1s的时间。

以下的代码用到了自己眼下开发的FastIV中的一些函数接口。详细代码例如以下:

#include "fiv_core.h"

typedef enum{
FIV_CONV2_SHAPE_FULL,
FIV_CONV2_SHAPE_SAME,
FIV_CONV2_SHAPE_VALID
}FIV_CONV_SHAPE; void fIv_conv2(fIvMat** dst_mat, fIvMat* src_mat, fIvMat* kernel_mat, FIV_CONV_SHAPE shape)
{
int src_row = src_mat->rows;
int src_cols = src_mat->cols;
int kernel_row = kernel_mat->rows;
int kernel_cols = kernel_mat->cols;
int dst_row = 0, dst_cols = 0, edge_row = 0, edge_cols = 0;
int i,j, kernel_i,kernel_j,src_i,src_j;
fIvMat* ptr_dst_mat = NULL; switch(shape){
case FIV_CONV2_SHAPE_FULL: dst_row = src_row + kernel_row - 1;
dst_cols = src_cols + kernel_cols - 1;
edge_row = kernel_row - 1;
edge_cols = kernel_cols - 1;
break; case FIV_CONV2_SHAPE_SAME: dst_row = src_row;
dst_cols = src_cols;
edge_row = (kernel_row - 1) / 2;
edge_cols = (kernel_cols - 1) / 2;
break; case FIV_CONV2_SHAPE_VALID: dst_row = src_row - kernel_row + 1;
dst_cols = src_cols - kernel_cols + 1;
edge_row = edge_cols = 0;
break; } ptr_dst_mat = fIv_create_mat(dst_row, dst_cols, FIV_64FC1);
*dst_mat = ptr_dst_mat; for (i = 0; i < dst_row; i++) {
ivf64* ptr_dst_line_i = (ivf64* )fIv_get_mat_data_at_row(ptr_dst_mat, i);
for (j = 0; j < dst_cols; j++) {
ivf64 sum = 0; kernel_i = kernel_row - 1 - FIV_MAX(0, edge_row - i);
src_i = FIV_MAX(0, i - edge_row); for (; kernel_i >= 0 && src_i < src_row; kernel_i--, src_i++) { ivf64* ptr_src_line_i,*ptr_kernel_line_i; kernel_j = kernel_cols - 1 - FIV_MAX(0, edge_cols - j);
src_j = FIV_MAX(0, j - edge_cols); ptr_src_line_i = (ivf64*)fIv_get_mat_data_at_row(src_mat, src_i);
ptr_kernel_line_i = (ivf64*)fIv_get_mat_data_at_row(kernel_mat, kernel_i); ptr_src_line_i += src_j;
ptr_kernel_line_i += kernel_j; for (; kernel_j >= 0 && src_j < src_cols; kernel_j--, src_j++){
sum += *ptr_src_line_i++ * *ptr_kernel_line_i--;
}
}
ptr_dst_line_i[j] = sum;
}
}
} FIV_ALIGNED(16) ivf64 ker_data[4*4] = {0.1,0.2,0.3,0.4,
0.5,0.6,0.7,0.8,
0.9,1.0,1.1,1.2,
1.3,1.4,1.5,1.6}; void test_conv2()
{
fIvMat* src_mat = fIv_create_mat_magic(8, FIV_64FC1); // 8x8 magic matrix
fIvMat* kernel_mat = fIv_create_mat_header(4, 4, FIV_64FC1); fIvMat* dst_mat = NULL;
fIv_set_mat_data(kernel_mat, ker_data, (sizeof(ivf64)) * 4 * 4); fIv_conv2(&dst_mat, src_mat, kernel_mat, FIV_CONV2_SHAPE_FULL); fIv_export_matrix_data_file(dst_mat,"dst_mat_4x4-full.txt", 1); fIv_release_mat(&src_mat);
fIv_release_mat(&kernel_mat);
fIv_release_mat(&dst_mat); } int main()
{
test_conv2(); return 0;
}

matlab的conv2、imfilter、filter2的更多相关文章

  1. MATLAB中conv2的详细用法 (以及【matlab知识补充】conv2、filter2、imfilter函数原理)

    转载: 1.https://blog.csdn.net/jinv5/article/details/52874880 2.https://blog.csdn.net/majinlei121/artic ...

  2. conv2、filter2、imfilter的区别

    conv2.filter2.imfilter的区别 -------------------------------------conv2函数------------------------------ ...

  3. Matlab 几种卷积的实现与比较(conv与filter,conv2与filter2)

    Matlab 几种卷积的实现与比较(conv与filter,conv2与filter2)     最近在做控制算法实现的时候,对于其中参杂的各种差分.卷积很头疼,就在网上搜集了些资料,汇总于此,以做备 ...

  4. 图像处理中任意核卷积(matlab中conv2函数)的快速实现。

    卷积其实是图像处理中最基本的操作,我们常见的一些算法比如:均值模糊.高斯模糊.锐化.Sobel.拉普拉斯.prewitt边缘检测等等一些和领域相关的算法,都可以通过卷积算法实现.只不过由于这些算法的卷 ...

  5. matlab中imfilter、conv2、imfilter2用法及区别

    来源 :https://blog.csdn.net/u013066730/article/details/56665308(比较详细) https://blog.csdn.net/yuanhuilin ...

  6. MATLAB conv2卷积的实现

    MATLAB conv2卷积的实现 二维卷积的算法原理比较简单,参考任意一本数字信号处理的书籍,而matlab的conv2函数的滤波有个形状参数,用下面的一张图很能说明问题: 这里给出一种最原始的实现 ...

  7. MATLAB卷积运算(conv、conv2、convn)解释

    1 conv(向量卷积运算) 所谓两个向量卷积,说白了就是多项式乘法.比如:p=[1 2 3],q=[1 1]是两个向量,p和q的卷积如下:把p的元素作为一个多项式的系数,多项式按升幂(或降幂)排列, ...

  8. 【转】MATLAB conv2函数的理解

    另附:http://blog.csdn.net/anan1205/article/details/12313593 原文:http://blog.csdn.net/andrewseu/article/ ...

  9. Matlab中图像处理实例:灰度变换,空域滤波,频域滤波,傅里叶变换的实现

    http://blog.sciencenet.cn/blog-95484-803140.html % %图像灰度变换 % f = imread('E:\2013第一学期课程\媒体计算\实验一\Img\ ...

随机推荐

  1. 百度网盘满速下载器:pandownload

    http://pandownload.com/index.html 作者提示:1.软件使用 C++ 编写2.大文件需要等待一段时间才会有下载速度3.文件名含有特殊字符可能会下载出错,请重命名再下载4. ...

  2. regular.js

    //手机号验证 var regMobile=/^1[3,5,8]\d{9}$/; //固定电话 var regPhone=/^(^0\d{2}-?\d{8}$)|(^0\d{3}-?\d{7}$)|( ...

  3. [总结]web前端常用JavaScript代码段及知识点集锦

    DOM相关 判断浏览器是否支持placeholder属性 function placeholderSupport() { return 'placeholder' in document.create ...

  4. [Error] 未发现相关 less 编译器配置,请检查wepy.config.js文件

    此错误是由于缺少包引起的 npm install less -d 直接装包即可

  5. ThreadLocal终极源码剖析-一篇足矣!

    本文较深入的分析了ThreadLocal和InheritableThreadLocal,从4个方向去分析:源码注释.源码剖析.功能测试.应用场景. 一.ThreadLocal 我们使用ThreadLo ...

  6. android 保存图片,及将图片更新到图库

    **保存图片 public static File saveImage(Bitmap bmp) { File appDir = new File(Environment.getExternalStor ...

  7. Kotlin入门(10)七十二变的输入参数

    上一篇文章介绍了Kotlin对函数的基本用法,包括函数的定义.输入参数的声明.输出参数的声明等等,这些足够对付简单的场合了.当然了,倘若一门新语言仅仅满足于这些雕虫小技,那也实在没什么前途.既然Kot ...

  8. python:序列化与数据持久化

    数据持久化的方式有: 1.普通文件无格式写入:将数据直接写入到文件中 2.普通序列化写入:json,pickle 3.DBM方式:shelve,dbm 相关内容: json pickle shelve ...

  9. Anaconda3 错误集合

    1. An error ocurred while starting the kernel 答:个人猜测有可能是配置文件出现问题,于是采用如下解决方法: 在终端中输入spyder --reset,重置 ...

  10. 转:Vue2.0+组件库总结

    UI组件 element - 饿了么出品的Vue2的web UI工具套件 Vux - 基于Vue和WeUI的组件库 mint-ui - Vue 2的移动UI元素 iview - 基于 Vuejs 的开 ...