OpenCV 的 DFT-based filter2D 是如何工作的？
How does OpenCV's DFT-based filter2D actually work?
我无法理解 OpenCV 库的 filter2D 方法的实际工作原理。根据文档，小内核大小的“标准”直接版本很清楚，但对于较大的内核大小“（~11 x 11 或更大）函数使用 DFT-based 算法”。
哪个DFT-based算法？没有给出科学参考，我无法确定具体使用了哪种算法。我知道 DFT 是如何工作的，所以我对输入图像和内核都进行了侦察，将其转换为进行卷积然后再返回的光谱表示？如果这是一般的想法，我仍然想要一些额外的背景信息。
使用 DFT 处理卷积的技术通常称为“overlap-add”。当内核很大但仍然比您应用它的 signal/image 小很多时它是合适的。
在 2D 中，给定一个 MxM 内核（通常 M 会四舍五入为 2 的幂）：
- 图像被分成 MxM 块。
- 块和内核用零填充到 2Mx2M 大小。
- FFT卷积用于将每个块与内核进行卷积。每个卷积产生一个 2Mx2M 的结果，但是因为输入的 non-zero 部分只有 MxM，所以卷积不会回绕。可以对所有块重复使用相同的内核 FFT。
- 每个 MxM 块的 2Mx2M 结果然后以重叠的方式加回到一起以产生结果图像。
这种技术在信号处理领域已经广为人知很长时间了，我没有提到它的起源。还有一种称为“overlap-save”的变体。
google 搜索“2d overlap add convolution”得到了一些令人满意的结果。
我无法理解 OpenCV 库的 filter2D 方法的实际工作原理。根据文档，小内核大小的“标准”直接版本很清楚，但对于较大的内核大小“（~11 x 11 或更大）函数使用 DFT-based 算法”。
哪个DFT-based算法？没有给出科学参考，我无法确定具体使用了哪种算法。我知道 DFT 是如何工作的，所以我对输入图像和内核都进行了侦察，将其转换为进行卷积然后再返回的光谱表示？如果这是一般的想法，我仍然想要一些额外的背景信息。
使用 DFT 处理卷积的技术通常称为“overlap-add”。当内核很大但仍然比您应用它的 signal/image 小很多时它是合适的。
在 2D 中，给定一个 MxM 内核（通常 M 会四舍五入为 2 的幂）：
- 图像被分成 MxM 块。
- 块和内核用零填充到 2Mx2M 大小。
- FFT卷积用于将每个块与内核进行卷积。每个卷积产生一个 2Mx2M 的结果，但是因为输入的 non-zero 部分只有 MxM，所以卷积不会回绕。可以对所有块重复使用相同的内核 FFT。
- 每个 MxM 块的 2Mx2M 结果然后以重叠的方式加回到一起以产生结果图像。
这种技术在信号处理领域已经广为人知很长时间了，我没有提到它的起源。还有一种称为“overlap-save”的变体。
google 搜索“2d overlap add convolution”得到了一些令人满意的结果。