之前图形学课上老师在 Image Filters中讲过用矩阵卷积对图像进行处理，当时一直不懂卷积是怎么个东东，今天网上找到下面的博客，恍然大悟。
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
1. [m1,n1] = size(A); [m2,n2] = size(B);
2. m=m1+m2-1;n=n1+n2-1;
3. AA = padarray(A,[m2-1,n2-1],'post');%%%补零
4. BB = padarray(B,[m1-1,n1-1],'post');%%%补零
5. AA =AA';
6. A1 = AA(:);%%%%
转化B——>B1
1. B2(1,:) = BB(1,:);
2. for i =2:m
3. B2(i,:) = BB(m-i+2,:);
4. end %%%矩阵a ~ e的重新赋值
5.
6. B4 = zeros(n,n);%%%%%%%每一行转化的方阵
7. B1 = zeros(m*n,m*n);%%%%%最后的矩阵
8. for i =1:m%%%%%%%%几维向量
9. B = B2(i,:);
10. if sum(sum(abs(B))==0)
11. B4 = zeros(n,n);
12. else
13. for j = 1:n%%%%%%%元素
14. for k =0:n-1%%%%%%%%位置(搞定一行向量转化为方阵的形式)
15. t = mod(j+k,n);
16. if t==0
17. t = n;
18. end %%%end if
19. B4(t,k+1) = B(j);
20. end %%%end for
21. end %%%end for
22. 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）
23. t = mod(i+k,m);
24. if t==0
25. t = m;
26. end %%%end if
27. B1(k*n+1:(k+1)*n,(t-1)*n+1:t*n) = B4;
28. end %%%end for
29. end %%%end if else
30. end %%%end for
结果数据转化：
1. Result = B1*A1;
2. Result = reshape(Result,n,m);
3. Result = Result';
