Python中卷积/反卷积的分辨率设置方法探讨

Numpy和Scipy自带的卷积/反卷积函数（如numpy.convolve、scipy.signal.convolve、scipy.signal.deconvolve）确实没有直接设置“卷积分辨率m”的参数。要实现这个需求，核心思路是先对信号做重采样处理，再执行卷积/反卷积操作，具体分以下几种场景：

1. 提升输入信号分辨率后卷积 #

如果需要在更高分辨率下执行卷积（比如m=2时，采样点密度翻倍），可以先用scipy.signal.resample或scipy.interpolate.interp1d对输入信号和卷积核做重采样：

import numpy as np
from scipy.signal import convolve, resample

# 原始信号与卷积核
x = np.array([1, 2, 3, 4])
h = np.array([0.5, 0.5])
m = 2  # 目标分辨率倍数

# 重采样到m倍分辨率
x_resampled = resample(x, len(x)*m)
h_resampled = resample(h, len(h)*m)

# 执行卷积
conv_result = convolve(x_resampled, h_resampled, mode='same')

2. 对卷积结果做下采样降分辨率 #

如果是希望卷积结果按m步长采样（每隔m个点取一个结果），直接在卷积完成后对结果切片即可：

conv_result = convolve(x, h, mode='same')
# 按m步长采样得到低分辨率结果
low_res_result = conv_result[::m]

3. 反卷积的分辨率处理 #

对于Scipy的scipy.signal.deconvolve，同样可以先对输入信号和核重采样，执行反卷积后再按需调整结果分辨率：

from scipy.signal import deconvolve, convolve, resample
import numpy as np

# 带噪声的原始卷积结果
y = convolve(np.array([1,2,3,4]), np.array([0.5,0.5])) + np.random.normal(0, 0.1, 5)
m = 2

# 重采样提升分辨率
y_resampled = resample(y, len(y)*m)
h_resampled = resample(np.array([0.5,0.5]), len(np.array([0.5,0.5]))*m)

# 执行反卷积
x_hat_resampled, _ = deconvolve(y_resampled, h_resampled)
# 可选：将结果重采样回原分辨率
x_hat = resample(x_hat_resampled, 4)

4. 自定义卷积函数精准控制 #

如果需要更精细地控制分辨率参数，可以手动实现离散卷积，直接在循环中按m间隔计算：

import numpy as np

def custom_convolve(x, h, m):
    # 对输入信号补零，适配卷积核长度
    x_padded = np.pad(x, (len(h)-1, len(h)-1), mode='constant')
    result = []
    # 按m步长滑动计算卷积
    for i in range(0, len(x_padded)-len(h)+1, m):
        result.append(np.sum(x_padded[i:i+len(h)] * h))
    return np.array(result)

# 使用示例
custom_result = custom_convolve(np.array([1,2,3,4]), np.array([0.5,0.5]), m=2)

内容的提问来源于stack exchange，提问作者Kubrik