这是个非常典型的信号处理/计算机视觉工具差异问题，我来一步步给你拆解清楚：

一、输出形状不同的直接原因：默认模式与边界处理的差异 #

1. scipy.signal.convolve2d的默认行为 #

scipy.signal.convolve2d 默认使用 mode='full' 模式，这是完全卷积模式：

• 为了让滤波器能滑过输入矩阵的每一个角落（包括边缘的所有位置），它会自动在输入矩阵的四周补0（当需要时）
• 输出尺寸的计算公式是：输入尺寸 + 滤波器尺寸 - 1
• 你的输入是100x100，滤波器是5x5，所以输出就是 100+5-1=104，也就是104x104的矩阵

如果你想要让它输出和输入同尺寸的100x100矩阵，只需要把mode参数改成mode='same'即可。

2. cv2.filter2D的默认行为 #

cv2.filter2D 是专门为图像处理设计的函数，它的默认逻辑是保持输出尺寸与输入一致：

• 它会自动根据滤波器的大小计算需要补边的宽度，然后对输入矩阵的边界进行补全（默认用cv2.BORDER_DEFAULT，也就是反射式补边，比如边缘的像素会镜像复制）
• 最终输出的尺寸和输入完全相同，也就是100x100

二、两者的本质差异 #

除了默认模式的不同，这两个函数的核心逻辑也有不少区别：

1. 计算类型：卷积 vs 互相关 #

这是最关键的差异：

• scipy.signal.convolve2d 实现的是数学意义上的卷积：计算前会先把滤波器翻转180度（上下、左右都翻转），再和输入矩阵做滑动相乘求和
• cv2.filter2D 实现的是互相关：直接用原始滤波器和输入矩阵做滑动相乘求和，不会翻转滤波器

不过你用的是对角线滤波器，翻转后和原滤波器一样，所以这一步的差异没体现出来。如果换成不对称的滤波器（比如左上角到右下角的对角线换成右上角到左下角），两者的结果就会明显不同。

2. 边界处理选项 #

• scipy的convolve2d/correlate2d提供的边界处理选项比较有限，主要是补0（boundary='fill'）、反射（boundary='symm'）、复制边缘（boundary='wrap'）几种
• OpenCV的filter2D提供了非常丰富的边界处理方式，比如常数补边、反射补边、复制边缘、环绕补边等，更适合图像处理的各种场景

3. 底层优化与适用场景 #

• scipy的函数是基于numpy的通用实现，更偏向于通用信号处理，适合小数据量的计算或者需要严格数学卷积的场景
• OpenCV的filter2D是用C++实现的高度优化版本，专门针对图像数据（比如uint8类型的图像）做了优化，处理大尺寸图像时速度远快于scipy，更适合实际的计算机视觉应用

三、如何让两者输出一致？ #

如果你想要让scipy的结果和cv2.filter2D完全匹配，可以这样做：

import numpy as np
from scipy.signal import correlate2d
import cv2

# 构造你的数据
similarity_matrix = np.random.rand(100, 100)
filter_mat = np.diag(np.ones(5))  # 你的5x5对角线滤波器

# OpenCV的结果
cv_result = cv2.filter2D(similarity_matrix, -1, filter_mat)

# scipy模拟OpenCV的行为：用互相关+same模式+反射补边
scipy_result = correlate2d(similarity_matrix, filter_mat, mode='same', boundary='symm')

# 验证结果（浮点精度范围内一致）
print(np.allclose(cv_result, scipy_result))

内容的提问来源于stack exchange，提问作者Amanda