matlab中的组合卷积滤波器

有没有办法在下面的代码中使用低通和高通过滤器，并将它们组合到一个内核中，然后应用一个conv2（）函数

注意：长度（lfilter）=21，长度（hfilter）=81

我们在最后一步中基本上做的是从图像中移除大对象（在已经移除带有高斯模糊的非常小的对象之后）

---

---

由于卷积运算符是关联的：

conv( a, conv(b,c) ) == conv( conv(a,b), c )

您应该能够通过将两个内核彼此卷积，将它们组合成一个内核

在您的情况下，类似这样的方法应该有效：

new_kernel = conv2(lfilter',lfilter, conv2(hfilter',hfilter), 'same');

卷积也是可交换的，所以执行卷积的顺序应该无关紧要

---

编辑：正如我在下面的评论中所解释的，询问者执行四个1D卷积的方法最终比单个2D卷积快。

因为卷积运算符是关联的：

conv( a, conv(b,c) ) == conv( conv(a,b), c )

您应该能够通过将两个内核彼此卷积，将它们组合成一个内核

在您的情况下，类似这样的方法应该有效：

new_kernel = conv2(lfilter',lfilter, conv2(hfilter',hfilter), 'same');

卷积也是可交换的，所以执行卷积的顺序应该无关紧要

---

编辑：正如我在下面的评论中所解释的，提问者执行四个1D卷积的方法最终比单个2D卷积更快。

我刚刚在matlab论坛上得到了答案

要点是，你必须使用填充来填充较短过滤器的两侧，然后你可以组合向量

卷积是一种线性运算，因此可以将两种滤波运算合并为一种。只需将过滤器设置为相同的大小，并对其进行加/减即可。例如：

 lfilter = normalize(exp(-((-ceil(5*minStar):ceil(5*minmax))/(2*this.minStar)).^2));
 hfilter = normalize(exp(-((-ceil(5*maxStar):ceil(5*minmax))/(2*this.maxStar)).^2));
 padlength = (length(hfilter) - length(lfilter))/2;
 lfilter = padarray(lfilter, [0 padlength]);
 lhfilter = lfilter - hfilter;
 this.filtered = conv2(lhfilter',lhfilter,this.raw,'same');

---

我刚刚在matlab论坛上得到了答案

要点是，你必须使用填充来填充较短过滤器的两侧，然后你可以组合向量

卷积是一种线性运算，因此可以将两种滤波运算合并为一种。只需将过滤器设置为相同的大小，并对其进行加/减即可。例如：

 lfilter = normalize(exp(-((-ceil(5*minStar):ceil(5*minmax))/(2*this.minStar)).^2));
 hfilter = normalize(exp(-((-ceil(5*maxStar):ceil(5*minmax))/(2*this.maxStar)).^2));
 padlength = (length(hfilter) - length(lfilter))/2;
 lfilter = padarray(lfilter, [0 padlength]);
 lhfilter = lfilter - hfilter;
 this.filtered = conv2(lhfilter',lhfilter,this.raw,'same');

---

我希望将过滤器合并到一个内核中。为了减少卷积的数量（我最终需要将其移植到GPU），我看到了。使用多个1D过滤器而不是一个大的2D过滤器似乎是一个更好的主意。假设您拥有的所有1D过滤器都是具有

N

分量的向量，并且图像是

M

by

M

像素，则原始方法将需要

4*N*M*M

乘法。如果我们假设新内核是由

N

组合而成的，那么我的内核实际上需要

N*N*M*M

。刚刚发布了我得到的答案。我希望将过滤器组合到一个内核中。为了减少卷积的数量（我最终需要将其移植到GPU），我看到了。使用多个1D过滤器而不是一个大的2D过滤器似乎是一个更好的主意。假设您拥有的所有1D过滤器都是具有

N

分量的向量，并且图像是

M

by

M

像素，则原始方法将需要

4*N*M*M

乘法。如果我们假设新内核是由

N

组合而成的，那么我的内核实际上需要

N*N*M*M

。刚把我得到的答案贴出来。