使用均匀大小的内核进行图像卷积
image convolution using an even-sized kernel
我想知道，当你用一个2x2的内核做卷积时，你把运算结果放在哪里？对于对称掩模，结果应用于对应于掩模中心的像素；那么当面具没有中心时会发生什么？此外，为什么有人会使用大小均匀的内核？
这并不重要，但无论使用哪种方法，生成的图像都可能发生 0.5 像素的偏移。通过将 2x2 示例视为具有零填充的 3x3，您可以直观地了解为什么会发生这种情况，例如
k00 k01 0
k10 k11 0
0 0 0
至于为什么您可能想要使用偶数大小 - 卷积的一个应用是互相关（翻转其中一个图像将卷积更改为相关，反之亦然）。互相关有很多用途，包括模板匹配（在较大的图像中找到目标图像），因此如果您的模板具有偶数大小，则生成的 convolution/correlation 也将涉及偶数大小的 "kernel"。
我想知道，当你用一个2x2的内核做卷积时，你把运算结果放在哪里？对于对称掩模，结果应用于对应于掩模中心的像素；那么当面具没有中心时会发生什么？此外，为什么有人会使用大小均匀的内核？
这并不重要，但无论使用哪种方法，生成的图像都可能发生 0.5 像素的偏移。通过将 2x2 示例视为具有零填充的 3x3，您可以直观地了解为什么会发生这种情况，例如
k00 k01 0
k10 k11 0
0 0 0
至于为什么您可能想要使用偶数大小 - 卷积的一个应用是互相关（翻转其中一个图像将卷积更改为相关，反之亦然）。互相关有很多用途，包括模板匹配（在较大的图像中找到目标图像），因此如果您的模板具有偶数大小，则生成的 convolution/correlation 也将涉及偶数大小的 "kernel"。