如何推导先经f2再经f1两次滤波对应的组合滤波掩码？

核心原理 #

连续两次线性空间滤波（如均值滤波、拉普拉斯滤波）的效果，等价于将两个滤波器先做卷积运算，得到的卷积结果就是对应的组合滤波掩码。这是因为线性滤波本质是卷积操作，而卷积满足结合律：输入图像先与f2卷积，再与f1卷积，等同于输入图像与(f1 卷积 f2)的结果进行一次卷积。

步骤1：明确两个原始滤波器 #

已知两个3x3掩码：

import numpy as np

# 均值滤波掩码f1
f1 = np.array([[1, 1, 1],
               [1, 1, 1],
               [1, 1, 1]]) / 9

# 拉普拉斯边缘检测掩码f2
f2 = np.array([[1, 1, 1],
               [1, -8, 1],
               [1, 1, 1]])

步骤2：计算两个滤波器的卷积 #

由于f1是对称矩阵，卷积时翻转核的操作不改变其数值，因此可以直接通过互相关运算计算（无需翻转核，直接滑动计算点积）。两个3x3滤波器卷积后，得到的组合掩码是5x5的矩阵。

具体计算过程

组合掩码F的每个元素F[i][j]等于f1的所有元素与f2对应位置元素的乘积之和（滑动对齐时，f1的中心对应f2的每个位置）：

• 第一行：
  • F[0][0] = (1/9)*1 = 1/9
  • F[0][1] = (1/9)*1 + (1/9)*1 = 2/9
  • F[0][2] = (1/9)*1 + (1/9)*1 + (1/9)*1 = 1/3
  • F[0][3] = (1/9)*1 + (1/9)*1 = 2/9
  • F[0][4] = (1/9)*1 = 1/9
• 第二行：
  • F[1][0] = (1/9)*1 + (1/9)*1 = 2/9
  • F[1][1] = (1/9)14 = 4/9
  • F[1][2] = (6*1 -8)/9 = -2/9
  • F[1][3] = (1/9)14 = 4/9
  • F[1][4] = (1/9)*1 + (1/9)*1 = 2/9
• 第三行：
  • F[2][0] = (1/9)13 = 1/3
  • F[2][1] = (6*1 -8)/9 = -2/9
  • F[2][2] = (8*1 -8)/9 = 0
  • F[2][3] = (6*1 -8)/9 = -2/9
  • F[2][4] = (1/9)13 = 1/3
• 第四行：与第二行对称，结果相同
• 第五行：与第一行对称，结果相同

最终组合掩码

计算后得到的5x5组合掩码为：

F = np.array([
    [1/9, 2/9, 1/3, 2/9, 1/9],
    [2/9, 4/9, -2/9, 4/9, 2/9],
    [1/3, -2/9, 0, -2/9, 1/3],
    [2/9, 4/9, -2/9, 4/9, 2/9],
    [1/9, 2/9, 1/3, 2/9, 1/9]
])

验证说明 #

使用该5x5组合掩码对输入图像进行一次滤波，和先使用f2滤波、再使用f1滤波的效果完全一致，这是线性滤波结合律的直接体现。

内容的提问来源于stack exchange，提问作者Ryan