卷积（convolution），是一种运算，你可以类比于加，减，乘，除，矩阵的点乘与叉乘等等，它有自己的运算规则，卷积的符号是星号*。表达式为：
连续的为
(
f
∗
g
)
(
n
)
=
∫
−
∞
∞
f
(
x
)
g
(
n
−
x
)
d
x
(f*g)(n) = \int_{-\infty}^{\infty}f(x)g(n-x)dx
(f∗g)(n)=∫−∞∞f(x)g(n−x)dx
离散的为
(
f
∗
g
)
(
n
)
=
∑
x
=
−
∞
∞
f
(
x
)
g
(
n
−
x
)
(f*g)(n) = \sum_{x=-{\infty}}^{\infty}f(x)g(n-x)
(f∗g)(n)=x=−∞∑∞f(x)g(n−x)
从参数上来看，x + (n-x) = n，可以类比为x + y = n，也就是说f, g的参数满足规律y = -x + n，即g的参数是f的参数先翻转再平移n。把g从右边褶到左边去，也就是卷积的卷的由来。然后在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的积的过程。
因此卷积的过程可以理解为：翻转，滑动，叠加。其中翻转指的是g，滑动指的是n值在不断改变。最终将他们相乘相加。
任何一个公式都有它的现实意义，都需要解决实际问题，通常可以把f看成主要部分，g看成系数部分或者权重部分。而它们相乘就意味着在特定的n下，可以求出x的取值范围，进而可以算出(f*g)(n)的值。
举个例子，一个人每天在不同的时刻都有进食，同时也会时刻在消化食物，进食曲线为f，而胃里剩下的食物的比例为g，即在6点吃了食物100克，这块食物在8点时还剩4/5，在10点时还剩1/2，每一次进食都会对应一条衰减曲线，那么求在14点时胃里还剩多少食物。
我们需要计算出14点之前的每一次进食在14点时刻还剩多少，然后相加即可。我们知道0点进食的衰减了14小时，而14点进食的没有衰减，可以描述如下：
因为进食是离散的，所以结果就等于
f(0)*g(14) + f(1)*g(13) + ... f(14) * g(0)
看起来是拧巴着，如果将g函数沿着Y轴翻转一下。
看起来还是很奇怪，如果将g向右平移14呢
14只是个特例，要求某一个时刻的值就平移多少。14就是(f*g)(n)中的n，所以每一个n都会得到一个结果。
可见f的曲线是固定的，而g的曲线随着n的变化会移动，往往我们只会求在特定的n下的卷积值。如果波形图在x轴不是连续的，那还要分段来计算。
我们对图像的blur操作，即降噪平滑操作，就是使用的卷积运算，最终的效果取决于卷积核的设置。以单通道卷积为例。
均值卷积核，就是认为目标像素点的值是周围值的平均数，即周围各点对它的影响是一样的，此处卷积核以3X3为例。
[
1
9
1
9
1
9
1
9
1
9
1
9
1
9
1
9
1
9
]
\begin{bmatrix} \frac 1 9\ & \frac 1 9\ & \frac 1 9\ \\ \frac 1 9\ & \frac 1 9\ & \frac 1 9\ \\ \frac 1 9\ & \frac 1 9\ & \frac 1 9\ \end{bmatrix}
91 91 91 91 91 91 91 91 91
高斯滤波认为各个像素点距离核中心的距离不一样，导致颜色的贡献程度不一样，因此给不同的点不同的权重。
取图像中的部分像素点
[
f
(
0
,
0
)
f
(
0
,
1
)
f
(
0
,
2
)
f
(
0
,
3
)
f
(
1
,
0
)
f
(
1
,
1
)
f
(
1
,
2
)
f
(
1
,
3
)
f
(
2
,
0
)
f
(
2
,
1
)
f
(
2
,
2
)
f
(
2
,
3
)
f
(
3
,
0
)
f
(
3
,
1
)
f
(
3
,
2
)
f
(
3
,
3
)
]
\begin{bmatrix} f(0,0) & f(0,1) & f(0,2) & f(0,3) \\ f(1,0) & f(1,1) & f(1,2) & f(1,3) \\ f(2,0) & f(2,1) & f(2,2) & f(2,3) \\ f(3,0) & f(3,1) & f(3,2) & f(3,3) \\ \end{bmatrix}
f(0,0)f(1,0)f(2,0)f(3,0)f(0,1)f(1,1)f(2,1)f(3,1)f(0,2)f(1,2)f(2,2)f(3,2)f(0,3)f(1,3)f(2,3)f(3,3)
我们把这个矩阵看成f(x,y)函数，下标为参数，像素点的值为函数结果，那么要求f(1,1)处的卷积运算结果，因为现在是二维函数了，因此对应的卷积表达式为：
(
f
∗
g
)
(
u
,
v
)
=
∑
f
(
x
,
y
)
g
(
u
−
x
,
v
−
y
)
(f*g)(u, v) = \sum f(x, y)g(u-x, v-y)
(f∗g)(u,v)=∑f(x,y)g(u−x,v−y)
对应到本例u=1, v=1
(
f
∗
g
)
(
1
,
1
)
=
∑
f
(
x
,
y
)
g
(
1
−
x
,
1
−
y
)
(f*g)(1, 1) = \sum f(x, y)g(1-x, 1-y)
(f∗g)(1,1)=∑f(x,y)g(1−x,1−y)
我们来构建g(1-x, 1-y)函数，暂定为3X3的矩阵，我们知道目标点f(1,1)要对应g(0,0)，如果将g(0,0)设置在核的中心，那么根据下标展开之后我们就可以构建出g
[
g
(
−
1
,
−
1
)
g
(
−
1
,
0
)
g
(
−
1
,
1
)
g
(
0
,
−
1
)
g
(
0
,
0
)
g
(
0
,
1
)
g
(
1
,
−
1
)
g
(
1
,
0
)
g
(
1
,
1
)
]
\begin{bmatrix} g(-1,-1) & g(-1,0) & g(-1,1) \\ g(0,-1) & g(0,0) & g(0,1) \\ g(1,-1) & g(1,0) & g(1,1) \\ \end{bmatrix}
g(−1,−1)g(0,−1)g(1,−1)g(−1,0)g(0,0)g(1,0)g(−1,1)g(0,1)g(1,1)
有了g函数之后，就可以执行运算了，注意运算的时候 f 和 g 的参数要符合卷积公式，即
f
0
,
0
)
∗
g
(
1
,
1
)
+
f
(
0
,
1
)
∗
g
(
1
,
0
)
+
.
.
.
f0,0)*g(1,1) + f(0,1)*g(1,0) + ...
f0,0)∗g(1,1)+f(0,1)∗g(1,0)+...
其实这样就够了，但是便于理解和说明，我们将矩阵先沿着X轴翻转，再沿Y轴翻转，中心点在 g(0,0) 处，得到
[
g
(
1
,
1
)
g
(
1
,
0
)
g
(
1
,
−
1
)
g
(
0
,
1
)
g
(
0
,
0
)
g
(
0
,
−
1
)
g
(
−
1
,
1
)
g
(
−
1
,
0
)
g
(
−
1
,
−
1
)
]
\begin{bmatrix} g(1,1) & g(1,0) & g(1,-1) \\ g(0,1) & g(0,0) & g(0,-1) \\ g(-1,1) & g(-1,0) & g(-1,-1) \\ \end{bmatrix}
g(1,1)g(0,1)g(−1,1)g(1,0)g(0,0)g(−1,0)g(1,−1)g(0,−1)g(−1,−1)
虽然翻转了，但是运算公式没有变化，只是从观察上更好一一对应，也更方便计算。
f
0
,
0
)
∗
g
(
1
,
1
)
+
f
(
0
,
1
)
∗
g
(
1
,
0
)
+
.
.
.
f0,0)*g(1,1) + f(0,1)*g(1,0) + ...
f0,0)∗g(1,1)+f(0,1)∗g(1,0)+...
注意，我们常说的将卷积核盖在目标像素点上面，将对应的像素点相乘相加，然而这种运算应该叫互相关运算（cross-correlation），也就是说，我们通过将g进行翻转，使得卷积运算变成了互相关运算，将翻转之后的矩阵称为卷积核，并且大家在设计卷积核的时候就是参照互相关运算来的，而不会去关心真正的卷积运算。因此在实际应用中我们直接去构建这个最终的矩阵即可。
剩下的就是计算了，将结果赋值给f(1,1)，然后向右平移一格，达到边界后向下平移一格继续从左边开始卷积。你会发现整个过程中最外一层无法被算到，没关系，将原图像向外扩大一圈像素点并设置为0（因为它们本身就不存在，因此对中心像素点没有贡献）。
通过设置不同的卷积核来达到不同的结果，这是机器视觉的基础操作。