卷積運(yùn)算，卷積運(yùn)算在數(shù)字信號(hào)處理中的原理和好處

來(lái)源：整理時(shí)間：2023-09-04 17:55:40 編輯：智能門戶手機(jī)版

本文目錄一覽

1，卷積運(yùn)算在數(shù)字信號(hào)處理中的原理和好處
2，請(qǐng)問(wèn)下卷積怎么算的
3，卷積運(yùn)算是什么
4，卷積運(yùn)算是啥
5，線性代數(shù)里什么叫卷積
6，圖像卷積運(yùn)算

1，卷積運(yùn)算在數(shù)字信號(hào)處理中的原理和好處

原理-卷積運(yùn)算是求LTI系統(tǒng)沖擊響應(yīng)的基本方法好處--卷積和乘積運(yùn)算在頻域和時(shí)域是一一對(duì)應(yīng)的，兩個(gè)信號(hào)在時(shí)域的卷積可以轉(zhuǎn)化為求兩者在頻域的乘積后再反變換，同理在頻域的卷積等時(shí)域的乘積。而信號(hào)的頻域求解有快速傅里葉FFT算法。

卷積運(yùn)算在數(shù)字信號(hào)處理中的原理和好處

2，請(qǐng)問(wèn)下卷積怎么算的

代卷積公式啊，我這里打不出公式里的那些符號(hào)．看概率課本，多維隨機(jī)變量那章，有詳細(xì)的步驟

請(qǐng)問(wèn)下卷積怎么算的

3，卷積運(yùn)算是什么

時(shí)域的卷積等于頻域的乘積對(duì)信號(hào)的一種算法。

信號(hào)處理是將一個(gè)信號(hào)空間映射到另外一個(gè)信號(hào)空間，通常就是時(shí)域到頻域，（還有z域，s域），信號(hào)的能量就是函數(shù)的范數(shù)（信號(hào)與函數(shù)等同的概念），大家都知道有個(gè)paserval定理就是說(shuō)映射前后范數(shù)不變，在數(shù)學(xué)中就叫保范映射，實(shí)際上信號(hào)處理中的變換基本都是保范映射，只要paserval定理成立就是保范映射（就是能量不變的映射）。前面說(shuō)的意思就是信號(hào)處理的任務(wù)就是尋找和信號(hào)集合對(duì)應(yīng)的一個(gè)集合，然后在另外一個(gè)集合中分析信號(hào)，fourier變換就是一種，它建立了時(shí)域中每個(gè)信號(hào)函數(shù)與頻域中的每個(gè)頻譜函數(shù)的一一對(duì)應(yīng)關(guān)系，這是元素之間的對(duì)應(yīng)，那么運(yùn)算之間的對(duì)應(yīng)呢，在時(shí)域的加法對(duì)應(yīng)頻域中的加法，這就是ft線性性的體現(xiàn)，那么時(shí)域的乘法對(duì)應(yīng)什么呢，最后得到的那個(gè)表達(dá)式我們就把它叫卷積，就是對(duì)應(yīng)的頻域的卷積。大家有何高見(jiàn)，都請(qǐng)發(fā)表一下

卷積運(yùn)算是什么

4，卷積運(yùn)算是啥

在泛函分析中，卷積(卷積)、旋積或摺積(英語(yǔ)：Convolution)是通過(guò)兩個(gè)函數(shù)f和g生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，表徵函數(shù)f與經(jīng)過(guò)翻轉(zhuǎn)和平移與g的重疊部分的累積。如果將參加卷積的一個(gè)函數(shù)看作區(qū)間的指示函數(shù)，卷積還可以被看作是“滑動(dòng)平均”的推廣。簡(jiǎn)單介紹卷積是分析數(shù)學(xué)中一種重要的運(yùn)算。設(shè):f(x),g(x)是R1上的兩個(gè)可積函數(shù)，作積分：可以證明，關(guān)于幾乎所有的，上述積分是存在的。這樣，隨著x的不同取值，這個(gè)積分就定義了一個(gè)新函數(shù)h(x)，稱為函數(shù)f與g的卷積，記為h(x)＝(f*g)(x)。容易驗(yàn)證，(f*g)(x)＝(g*f)(x)，并且(f*g)(x)仍為可積函數(shù)。這就是說(shuō)，把卷積代替乘法，L1（R1）1空間是一個(gè)代數(shù)，甚至是巴拿赫代數(shù)。卷積與傅里葉變換有著密切的關(guān)系。利用一點(diǎn)性質(zhì)，即兩函數(shù)的傅里葉變換的乘積等于它們卷積后的傅里葉變換，能使傅里葉分析中許多問(wèn)題的處理得到簡(jiǎn)化。由卷積得到的函數(shù)f*g一般要比f(wàn)和g都光滑。特別當(dāng)g為具有緊支集的光滑函數(shù)，f為局部可積時(shí)，它們的卷積f*g也是光滑函數(shù)。利用這一性質(zhì)，對(duì)于任意的可積函數(shù)f，都可以簡(jiǎn)單地構(gòu)造出一列逼近于f的光滑函數(shù)列fs，這種方法稱為函數(shù)的光滑化或正則化。卷積的概念還可以推廣到數(shù)列、測(cè)度以及廣義函數(shù)上去。卷積在工程和數(shù)學(xué)上都有很多應(yīng)用：統(tǒng)計(jì)學(xué)中，加權(quán)的滑動(dòng)平均是一種卷積。概率論中，兩個(gè)統(tǒng)計(jì)獨(dú)立變量X與Y的和的概率密度函數(shù)是X與Y的概率密度函數(shù)的卷積。聲學(xué)中，回聲可以用源聲與一個(gè)反映各種反射效應(yīng)的函數(shù)的卷積表示。電子工程與信號(hào)處理中，任一個(gè)線性系統(tǒng)的輸出都可以通過(guò)將輸入信號(hào)與系統(tǒng)函數(shù)（系統(tǒng)的沖激響應(yīng)）做卷積獲得。物理學(xué)中，任何一個(gè)線性系統(tǒng)（符合疊加原理）都存在卷積。卷積是一種線性運(yùn)算,圖像處理中常見(jiàn)的mask運(yùn)算都是卷積，廣泛應(yīng)用于圖像濾波。castlman的書對(duì)卷積講得很詳細(xì)。高斯變換就是用高斯函數(shù)對(duì)圖像進(jìn)行卷積。高斯算子可以直接從離散高斯函數(shù)得到：for(i=0;i<N;i++)for(j=0;j<N;j++)g[i*N+j]=exp(-((i-(N-1)/2)^2+(j-(N-1)/2)^2))/(2*delta^2));sum+=g[i*N+j];}}再除以sum得到歸一化算子N是濾波器的大小，delta自選首先，再提到卷積之前，必須提到卷積出現(xiàn)的背景。卷積是在信號(hào)與線性系統(tǒng)的基礎(chǔ)上或背景中出現(xiàn)的，脫離這個(gè)背景單獨(dú)談卷積是沒(méi)有任何意義的，除了那個(gè)所謂褶反公式上的數(shù)學(xué)意義和積分（或求和，離散情況下）。信號(hào)與線性系統(tǒng)，討論的就是信號(hào)經(jīng)過(guò)一個(gè)線性系統(tǒng)以后發(fā)生的變化（就是輸入輸出和所經(jīng)過(guò)的所謂系統(tǒng)，這三者之間的數(shù)學(xué)關(guān)系）。所謂線性系統(tǒng)的含義，就是，這個(gè)所謂的系統(tǒng)，帶來(lái)的輸出信號(hào)與輸入信號(hào)的數(shù)學(xué)關(guān)系式之間是線性的運(yùn)算關(guān)系。因此，實(shí)際上，都是要根據(jù)我們需要待處理的信號(hào)形式，來(lái)設(shè)計(jì)所謂的系統(tǒng)傳遞函數(shù)，那么這個(gè)系統(tǒng)的傳遞函數(shù)和輸入信號(hào)，在數(shù)學(xué)上的形式就是所謂的卷積關(guān)系。卷積關(guān)系最重要的一種情況，就是在信號(hào)與線性系統(tǒng)或數(shù)字信號(hào)處理中的卷積定理。利用該定理，可以將時(shí)間域或空間域中的卷積運(yùn)算等價(jià)為頻率域的相乘運(yùn)算，從而利用FFT等快速算法，實(shí)現(xiàn)有效的計(jì)算，節(jié)省運(yùn)算代價(jià)。

卷積是一種線性運(yùn)算,圖像處理中常見(jiàn)的mask運(yùn)算都是卷積，廣泛應(yīng)用于圖像濾波。castlman的書對(duì)卷積講得很詳細(xì)。高斯變換就是用高斯函數(shù)對(duì)圖像進(jìn)行卷積。高斯算子可以直接從離散高斯函數(shù)得到： for(i=0; i{ for(j=0; j{ g[i*n+j]=exp(-((i-(n-1)/2)^2+(j-(n-1)/2)^2))/(2*delta^2)); sum += g[i*n+j]; } } 再除以 sum 得到歸一化算子 n是濾波器的大小，delta自選

卷積是一種基本運(yùn)算，在泛函和廣義函數(shù)中經(jīng)常出現(xiàn)，而在概率論中兩個(gè)獨(dú)立和的密度就是卷積形式在泛函分析中，卷積是通過(guò)兩個(gè)函數(shù)f 和g 生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，表征函數(shù)f 與經(jīng)過(guò)翻轉(zhuǎn)和平移的g 的重疊部分的累積。如果將參加卷積的一個(gè)函數(shù)看作區(qū)間的指示函數(shù)，卷積還可以被看作是“滑動(dòng)平均”的推廣。

不知道為什么很多人將如此簡(jiǎn)單點(diǎn)的問(wèn)題，回答得如此之復(fù)雜，難道真是那句話，什么是教授，教授就是將人人都懂的問(wèn)題，解釋得人人都聽(tīng)不懂，看來(lái)很多學(xué)生繼承了這種傳統(tǒng)，這是教育的悲哀！什么是卷積，為什么要用卷積？原因很簡(jiǎn)單，任何一個(gè)輸入信號(hào)都可以看成是一個(gè)個(gè)沖激信號(hào)的疊加，那么對(duì)應(yīng)的輸出也可以看做是一個(gè)個(gè)沖激響應(yīng)的疊加將這一個(gè)個(gè)沖激響應(yīng)疊加起來(lái)就是一個(gè)卷積嗎！之所以引入卷積，是因?yàn)橐肓藳_激，將這些沖激響應(yīng)疊加起來(lái)，就是卷積

5，線性代數(shù)里什么叫卷積

所謂的卷積即是一種加權(quán)平均形式上卷積f*g是積分f(t-s)g(s)ds，可以看成f在權(quán)數(shù)g下的平均，或者g在權(quán)數(shù)f下的平均

科技名詞定義中文名稱：卷積英文名稱：convolution 定義：數(shù)學(xué)中關(guān)于兩個(gè)函數(shù)的一種無(wú)窮積分運(yùn)算。對(duì)于函數(shù)f1(t)和f2(t)，其卷積表示為：式中：“”為卷積運(yùn)算符號(hào)。所屬學(xué)科：電力(一級(jí)學(xué)科) ；通論(二級(jí)學(xué)科) 本內(nèi)容由全國(guó)科學(xué)技術(shù)名詞審定委員會(huì)審定公布百科名片卷積運(yùn)算圖在泛函分析中，卷積(卷積)、旋積或摺積(英語(yǔ)：Convolution)是通過(guò)兩個(gè)函數(shù)f 和g 生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，表徵函數(shù)f 與經(jīng)過(guò)翻轉(zhuǎn)和平移與g 的重疊部分的累積。如果將參加卷積的一個(gè)函數(shù)看作區(qū)間的指示函數(shù)，卷積還可以被看作是“滑動(dòng)平均”的推廣。目錄[隱藏]基本內(nèi)涵定義快速卷積算法多元函數(shù)卷積性質(zhì)卷積定理在群上的卷積應(yīng)用基本內(nèi)涵定義快速卷積算法多元函數(shù)卷積性質(zhì) 卷積定理在群上的卷積應(yīng)用 [編輯本段]基本內(nèi)涵簡(jiǎn)單介紹卷積是分析數(shù)學(xué)中一種重要的運(yùn)算。設(shè): f(x),g(x)是R1上的兩個(gè)可積函數(shù)，作積分：可以證明，關(guān)于幾乎所有的，上述積分是存在的。這樣，隨著 x 的不同取值，這個(gè)積分就定義了一個(gè)新函數(shù)h(x)，稱為函數(shù)f 與g 的卷積，記為h(x)＝(f*g)(x)。容易驗(yàn)證，(f * g)(x) ＝ (g * f)(x)，并且(f * g)(x) 仍為可積函數(shù)。這就是說(shuō)，把卷積代替乘法，L1（R1）1空間是一個(gè)代數(shù)，甚至是巴拿赫代數(shù)。卷積與傅里葉變換有著密切的關(guān)系。利用一點(diǎn)性質(zhì)，即兩函數(shù)的傅里葉變換的乘積等于它們卷積后的傅里葉變換，能使傅里葉分析中許多問(wèn)題的處理得到簡(jiǎn)化。由卷積得到的函數(shù)f*g 一般要比f(wàn) 和g 都光滑。特別當(dāng)g 為具有緊支集的光滑函數(shù)，f 為局部可積時(shí)，它們的卷積f * g 也是光滑函數(shù)。利用這一性質(zhì)，對(duì)于任意的可積函數(shù)f，都可以簡(jiǎn)單地構(gòu)造出一列逼近于f 的光滑函數(shù)列fs，這種方法稱為函數(shù)的光滑化或正則化。卷積的概念還可以推廣到數(shù)列、測(cè)度以及廣義函數(shù)上去。[編輯本段]定義函數(shù)f 與g 的卷積記作，它是其中一個(gè)函數(shù)翻轉(zhuǎn)并平移后與另一個(gè)函數(shù)的乘積的積分，是一個(gè)對(duì)平移量的函數(shù)。積分區(qū)間取決于f 與g 的定義域。對(duì)于定義在離散域的函數(shù)，卷積定義為快速卷積算法當(dāng) 是有限長(zhǎng)度 N ，需要約 N 次運(yùn)算。藉由一些快速算法可以降到 O(N log N) 復(fù)雜度。最常見(jiàn)的快速卷積算法是藉由圓周摺積利用快速傅里葉變換。也可藉由其它不包含 FFT 的做法，如數(shù)論轉(zhuǎn)換。多元函數(shù)卷積按照翻轉(zhuǎn)、平移、積分的定義，還可以類似的定義多元函數(shù)上的積分：[編輯本段]性質(zhì) 各種卷積算子都滿足下列性質(zhì)：交換律結(jié)合律分配律數(shù)乘結(jié)合律其中a為任意實(shí)數(shù)（或復(fù)數(shù)）。微分定理其中Df 表示f的微分，如果在離散域中則是指差分算子，包括前向差分與后向差分兩種：前向差分：后向差分：[編輯本段]卷積定理卷積定理指出，函數(shù)卷積的傅里葉變換是函數(shù)傅里葉變換的乘積。即，一個(gè)域中的卷積相當(dāng)于另一個(gè)域中的乘積，例如時(shí)域中的卷積就對(duì)應(yīng)于頻域中的乘積。其中表示f 的傅里葉變換。這一定理對(duì)拉普拉斯變換、雙邊拉普拉斯變換、Z變換、Mellin變換和Hartley變換（參見(jiàn)Mellin inversion theorem）等各種傅里葉變換的變體同樣成立。在調(diào)和分析中還可以推廣到在局部緊致的阿貝爾群上定義的傅里葉變換。利用卷積定理可以簡(jiǎn)化卷積的運(yùn)算量。對(duì)于長(zhǎng)度為n的序列，按照卷積的定義進(jìn)行計(jì)算，需要做2n - 1組對(duì)位乘法，其計(jì)算復(fù)雜度為；而利用傅里葉變換將序列變換到頻域上后，只需要一組對(duì)位乘法，利用傅里葉變換的快速算法之后，總的計(jì)算復(fù)雜度為。這一結(jié)果可以在快速乘法計(jì)算中得到應(yīng)用。[編輯本段]在群上的卷積若G 是有某m測(cè)度的群（例如豪斯多夫空間上Harr測(cè)度下局部緊致的拓?fù)淙海?，?duì)于G 上m-勒貝格可積的實(shí)數(shù)或復(fù)數(shù)函數(shù)f 和g，可定義它們的卷積：對(duì)于這些群上定義的卷積同樣可以給出諸如卷積定理等性質(zhì)，但是這需要對(duì)這些群的表示理論以及調(diào)和分析的Peter-Weyl定理。[編輯本段]應(yīng)用卷積在工程和數(shù)學(xué)上都有很多應(yīng)用：統(tǒng)計(jì)學(xué)中，加權(quán)的滑動(dòng)平均是一種卷積。概率論中，兩個(gè)統(tǒng)計(jì)獨(dú)立變量X與Y的和的概率密度函數(shù)是X與Y的概率密度函數(shù)的卷積。聲學(xué)中，回聲可以用源聲與一個(gè)反映各種反射效應(yīng)的函數(shù)的卷積表示。電子工程與信號(hào)處理中，任一個(gè)線性系統(tǒng)的輸出都可以通過(guò)將輸入信號(hào)與系統(tǒng)函數(shù)（系統(tǒng)的沖激響應(yīng)）做卷積獲得。物理學(xué)中，任何一個(gè)線性系統(tǒng)（符合疊加原理）都存在卷積。卷積是一種線性運(yùn)算,圖像處理中常見(jiàn)的mask運(yùn)算都是卷積，廣泛應(yīng)用于圖像濾波。castlman的書對(duì)卷積講得很詳細(xì)。高斯變換就是用高斯函數(shù)對(duì)圖像進(jìn)行卷積。高斯算子可以直接從離散高斯函數(shù)得到： for(i=0; i<N; i++) { for(j=0; j<N; j++) { g[i*N+j]=exp(-((i-(N-1)/2)^2+(j-(N-1)/2)^2))/(2*delta^2)); sum += g[i*N+j]; } } 再除以 sum 得到歸一化算子 N是濾波器的大小，delta自選首先，再提到卷積之前，必須提到卷積出現(xiàn)的背景。卷積是在信號(hào)與線性系統(tǒng)的基礎(chǔ)上或背景中出現(xiàn)的，脫離這個(gè)背景單獨(dú)談卷積是沒(méi)有任何意義的，除了那個(gè)所謂褶反公式上的數(shù)學(xué)意義和積分（或求和，離散情況下）。信號(hào)與線性系統(tǒng)，討論的就是信號(hào)經(jīng)過(guò)一個(gè)線性系統(tǒng)以后發(fā)生的變化（就是輸入輸出和所經(jīng)過(guò)的所謂系統(tǒng)，這三者之間的數(shù)學(xué)關(guān)系）。所謂線性系統(tǒng)的含義，就是，這個(gè)所謂的系統(tǒng)，帶來(lái)的輸出信號(hào)與輸入信號(hào)的數(shù)學(xué)關(guān)系式之間是線性的運(yùn)算關(guān)系。因此，實(shí)際上，都是要根據(jù)我們需要待處理的信號(hào)形式，來(lái)設(shè)計(jì)所謂的系統(tǒng)傳遞函數(shù)，那么這個(gè)系統(tǒng)的傳遞函數(shù)和輸入信號(hào)，在數(shù)學(xué)上的形式就是所謂的卷積關(guān)系。卷積關(guān)系最重要的一種情況，就是在信號(hào)與線性系統(tǒng)或數(shù)字信號(hào)處理中的卷積定理。利用該定理，可以將時(shí)間域或空間域中的卷積運(yùn)算等價(jià)為頻率域的相乘運(yùn)算，從而利用FFT等快速算法，實(shí)現(xiàn)有效的計(jì)算，節(jié)省運(yùn)算代價(jià)。

6，圖像卷積運(yùn)算

對(duì)一個(gè)5*5的圖像和一個(gè)3*3的圖像做卷積運(yùn)算,具體過(guò)程如下: * * 函數(shù)名稱： * TemplateMatchDIB() * * 參數(shù): * LPSTR lpDIBBits - 指向源DIB圖像指針 * LPSTR lpDIBBitsBK - 指向背景DIB圖像指針 * LONG lWidth - 源圖像寬度（象素?cái)?shù)） * LONG lHeight - 源圖像高度（象素?cái)?shù)） * LONG lTemplateWidth - 模板圖像寬度（象素?cái)?shù)） * LONG lTemplateHeight - 模板圖像高度（象素?cái)?shù)） * * 返回值: * BOOL - 運(yùn)算成功返回TRUE，否則返回FALSE。 * * 說(shuō)明: * 該函數(shù)用于對(duì)圖像進(jìn)行模板匹配運(yùn)算。 * * 要求目標(biāo)圖像為255個(gè)灰度值的灰度圖像。 ************************************************************************/ BOOL WINAPI TemplateMatchDIB (LPSTR lpDIBBits, LPSTR lpTemplateDIBBits, LONG lWidth, LONG lHeight, LONG lTemplateWidth,LONG lTemplateHeight) { // 指向源圖像的指針 LPSTR lpSrc,lpTemplateSrc; // 指向緩存圖像的指針 LPSTR lpDst; // 指向緩存DIB圖像的指針 LPSTR lpNewDIBBits; HLOCAL hNewDIBBits; //循環(huán)變量 long i; long j; long m; long n; //中間結(jié)果 double dSigmaST; double dSigmaS; double dSigmaT; //相似性測(cè)度 double R; //最大相似性測(cè)度 double MaxR; //最大相似性出現(xiàn)位置 long lMaxWidth; long lMaxHeight; //像素值 unsigned char pixel; unsigned char templatepixel; // 圖像每行的字節(jié)數(shù) LONG lLineBytes,lTemplateLineBytes; // 暫時(shí)分配內(nèi)存，以保存新圖像 hNewDIBBits = LocalAlloc(LHND, lWidth * lHeight); if (hNewDIBBits == NULL) { // 分配內(nèi)存失敗 return FALSE; } // 鎖定內(nèi)存 lpNewDIBBits = (char * )LocalLock(hNewDIBBits); // 初始化新分配的內(nèi)存，設(shè)定初始值為255 lpDst = (char *)lpNewDIBBits; memset(lpDst, (BYTE)255, lWidth * lHeight); // 計(jì)算圖像每行的字節(jié)數(shù) lLineBytes = WIDTHBYTES(lWidth * 8); lTemplateLineBytes = WIDTHBYTES(lTemplateWidth * 8); //計(jì)算dSigmaT dSigmaT = 0; for (n = 0;n < lTemplateHeight ;n++) { for(m = 0;m < lTemplateWidth ;m++) { // 指向模板圖像倒數(shù)第j行，第i個(gè)象素的指針 lpTemplateSrc = (char *)lpTemplateDIBBits + lTemplateLineBytes * n + m; templatepixel = (unsigned char)*lpTemplateSrc; dSigmaT += (double)templatepixel*templatepixel; } } //找到圖像中最大相似性的出現(xiàn)位置 MaxR = 0.0; for (j = 0;j < lHeight - lTemplateHeight +1 ;j++) { for(i = 0;i < lWidth - lTemplateWidth + 1;i++) { dSigmaST = 0; dSigmaS = 0; for (n = 0;n < lTemplateHeight ;n++) { for(m = 0;m < lTemplateWidth ;m++) { // 指向源圖像倒數(shù)第j+n行，第i+m個(gè)象素的指針 lpSrc = (char *)lpDIBBits + lLineBytes * (j+n) + (i+m); // 指向模板圖像倒數(shù)第n行，第m個(gè)象素的指針 lpTemplateSrc = (char *)lpTemplateDIBBits + lTemplateLineBytes * n + m; pixel = (unsigned char)*lpSrc; templatepixel = (unsigned char)*lpTemplateSrc; dSigmaS += (double)pixel*pixel; dSigmaST += (double)pixel*templatepixel; } } //計(jì)算相似性 R = dSigmaST / ( sqrt(dSigmaS)*sqrt(dSigmaT)); //與最大相似性比較 if (R > MaxR) { MaxR = R; lMaxWidth = i; lMaxHeight = j; } } } //將最大相似性出現(xiàn)區(qū)域部分復(fù)制到目標(biāo)圖像 for (n = 0;n < lTemplateHeight ;n++) { for(m = 0;m < lTemplateWidth ;m++) { lpTemplateSrc = (char *)lpTemplateDIBBits + lTemplateLineBytes * n + m; lpDst = (char *)lpNewDIBBits + lLineBytes * (n+lMaxHeight) + (m+lMaxWidth); *lpDst = *lpTemplateSrc; } } // 復(fù)制圖像 memcpy(lpDIBBits, lpNewDIBBits, lWidth * lHeight); // 釋放內(nèi)存 LocalUnlock(hNewDIBBits); LocalFree(hNewDIBBits); // 返回 return TRUE; }Top 這是模板匹配的代碼，里面用的就是時(shí)域卷積的算法。同時(shí)，時(shí)域的卷積就是頻域的乘積，可以把時(shí)域的圖轉(zhuǎn)化成頻域，相乘。 ps 卷積需要補(bǔ)位， a ,b l >= a+b-1;