matlab对矩阵模板卷积,矩阵卷积Matlab（转载）
转载自：http://blog.csdn.net/anan1205/article/details/12313593
两个矩阵卷积转化为矩阵相乘形式——Matlab应用(这里考虑二维矩阵，在图像中对应)两个图像模糊(边缘)操作，假设矩阵A、B，A代表源图像，B代表卷积模板，那么B的取值决定最后运算的结果。
Matlab中的应用函数——conv2(二维卷积，一维对应conv)
函数给出的公式定义为：
同一维数据卷积一样，它的实质在于将卷积模板图像翻转(旋转180)，这里等同于一维信号的翻转，然后将卷积模板依次从上到下、从左到右滑动，计算在模板与原始图像交集元素的乘积和，该和就作为卷积以后的数值。
为了验证后续矩阵卷积转化为矩阵相乘，这里给出的conv2的实例描述：
假设矩阵A(4*3)、B(2*3)如下：
首先，B需要旋转180，
命令旋转2次90即可：
B = rot90(rot90(B));或者B = rot90(h,2); 结果为：
其次：命令conv2函数：
C = conv2(A,B，‘shape’),该函数的具体操作图示：
依次计算直至结束，结果数据为：
shape的取值有三种，full代表返回卷积以后的全部数据，size为(mA+mB-1,nA+nB-1)的数据；same代表返回卷积以后的原图size (mA,nA)的部分数据；valid返回size为(mA-mB+1,nA-nB+1)的数据，指的是模板元素全部参加运算的结果数据，即源图像和模板的交集为模板。
矩阵卷积转化为矩阵相乘，网上也有很多方法，通俗化表示为：
A×B = B1*A1;
需要针对原始数据与模板数据做变换，变换过程如下：
首先进行周期延拓，补零：
M = mA+mB-1 = 5; N = nA+nB-1 = 5，对应卷积以后full数据大小。
那么初次换换的A和B为：
其次对A1和B1分别进行变换
转化B1——针对B1以及转换矩阵方法为：
将B1中的每一行向量依次按照B转化为一个方形矩阵Ba~Be，然后针对于每一个方形矩阵按照B矩阵组合成一个新的矩阵B1。B1矩阵的大小为((mA+mB-1)*(nA+nB-1)，(mA+mB-1)*(nA+nB-1))。
转化A1——堆叠向量式
将上个步骤转换的A1按照行向量顺寻依次转化为一个列向量，那么列向量的大小为((mA+mB-1)*(nA+nB-1)，1)大小。
针对实例：具体代码为：
周期延拓：
转化A——>A1
[m1,n1] = size(A); [m2,n2] = size(B);
m=m1+m2-1;n=n1+n2-1;
AA = padarray(A,[m2-1,n2-1],‘post‘);%%%补零
BB = padarray(B,[m1-1,n1-1],‘post‘);%%%补零
AA =AA‘;
A1 = AA(:);%%%%
转化B——>B1
B2(1,:) = BB(1,:);
for i =2:m
B2(i,:) = BB(m-i+2,:);
end %%%矩阵a ~ e的重新赋值
B4 = zeros(n,n);%%%%%%%每一行转化的方阵
B1 = zeros(m*n,m*n);%%%%%最后的矩阵
for i =1:m%%%%%%%%几维向量
B = B2(i,:);
if sum(sum(abs(B))==0)
B4 = zeros(n,n);
else
for j = 1:n%%%%%%%元素
for k =0:n-1%%%%%%%%位置(搞定一行向量转化为方阵的形式)
t = mod(j+k,n);
if t==0
t = n;
end %%%end if
B4(t,k+1) = B(j);
end %%%end for
end %%%end for
for k =0:m-1%%%%%%%%每一个转换矩阵在大矩阵中的位置编号(搞定小方阵在大阵中的位置转化为大方阵的形式)
t = mod(i+k,m);
if t==0
t = m;
end %%%end if
B1(k*n+1:(k+1)*n,(t-1)*n+1:t*n) = B4;
end %%%end for
end %%%end if else
end %%%end for
结果数据转化：
Result = B1*A1;
Result = reshape(Result,n,m);
Result = Result‘;
得到的结果等同于conv2的数据结果：
利用matlab接口更快的实现方法：
还是以5 * 5的原始数据与3*3的卷积核为例子：
代码如下：
dd_data = [1,2,4,5,6;6,8,9,1,3;6,8,9,2,4;7,3,5,7,5;1,5,8,9,3]; % 5 * 5
f_k = [3,4,5;6,7,8;3,2,1]; % 3 * 3
dd_data_f_k = conv2(dd_data,f_k,‘full‘); % matlab 函数接口
dd_data1 = padarray(dd_data,[2 2],‘both‘); % 扩充原始数据
v_dd_data = im2col(dd_data1,[3 3]);% 块数据向量化
f_k1 = f_k(:);
f_k1 = f_k1(end : -1 :1);
f_k1 = f_k1‘; % 卷积核的表示
dd_data_f_k1 = f_k1 * v_dd_data; % 卷积转化为相乘
dd_data_f_k1 = reshape(dd_data_f_k1,[7 7]); % 转化为结果数据
原文：http://www.cnblogs.com/jason-wyf/p/6195637.html