原文地址： https://blog.csdn.net/chai PP 0607/article/details/72236892？ locationNum=9fps=1
卷积中记载了卷积的含义，所以在这里我们来看看卷积在图像处理中的应用。 (ps )这篇文章大部分是转载大神博客的，现在csdn强制加入照片水印，真的很遗憾！ ）
数字图像处理中的卷积数字图像是二维离散信号。 所谓对数字图像进行卷积运算，实际上是使用卷积内核(卷积模板)在图像上滑动，将图像点上的像素灰度值与对应的卷积内核上的数值相乘，并将相乘的值全部作为卷积内核的中间像素来对应
此图清楚地显示了整个卷积过程中乘以一次后相加的结果。 该图像使用3*3卷积内核，卷积内核中共有9个数字，因此图像右上角的表达式中共有9行，每一行都是图像的像素值与卷积内核上的数值相乘后的结果-8代替了原始图像中相应位置的1 这样，沿着图像一步一步地滑动，每张幻灯片乘以一次进行加法运算，就可以得到最终的输出结果。 此外，卷积核的选择有几条规则：
1 )卷积核的大小一般为奇数，从而沿中央像素点的中心对称，因此卷积核通常为3x3、5x5或7x7。 有中心，也可以叫半径，比如5x5大小的核半径是2。
2 )卷积核的所有元素之和一般必须等于1。 这是因为保存了原始图像的能量(亮度)。 实际上，卷积核元素的加法也可能不是1，如下所述。
3 )如果滤波器矩阵的所有元素之和大于1，则滤波后的图像比原始图像亮，相反如果小于1，则所获得的图像变暗。 和为0时，图像不会变黑，但会变得非常暗。
4 )对于滤波后的结构，可能出现负数或大于255的值。 这种情况下，我们直接把他们缩短到0和255之间就可以了。 关于负数，也可以取绝对值。
边界补充问题上的图像说明了图像的卷积操作，但他也反映了问题。 如上图所示，原始图像的大小为77，卷积核心的大小为33。 当卷积核心沿图像滑动时，只有55个图像出现，因此卷积后的图像与卷积前的图像大小不匹配。 这显然不是我们想要的结果，所以为了避免这一点，首先需要做的是在原始图像中填充边界的处理。 在上面的情况中，必须首先将原始图像填充到99的大小。
一般领域的填补方法如下。
为了便于画画，这里不使用55的尺寸。 用33定义原始图像的大小，添加到9*9的大小中。 图像的颜色只是为了容易看到，没有其他意义。
原始图像：
填零
边界复制填充
镜像填充
块填充
以上四种边界补充方法可以通过看名字和图片来理解，所以不多做说明。
卷积核下卷积意义中常见的平滑、模糊、去干、锐化、边缘提取等工作，实际上可以通过卷积操作来完成。 以下举例说明。
是一个无济于事的卷积核。 卷积核：
原始像素中央的像素值乘以1，其馀都乘以0，明显像素值没有变化。
平滑是指过滤。 卷积核：
该卷积内核的作用是取9个值的平均值而不是中间像素值，从而获得平滑的效果。
tzdkn平滑：卷积核：
tzdkn在水平和垂直方向上呈现平滑的tzdkn分布，强调像素平滑后的中心点权重，比平均滤波具有更好的平滑效果。
锐化图像：卷积核：
卷积实际上利用了图像中的边缘信息与周围的像素具有更高的对比度，但通过在卷积之后进一步强调该对比度，可以使图像看起来棱角分明，具有使图像锐化的效果。
除了上述卷积核外，锐化边还有以下选择：
梯度Prewitt :水平梯度卷积核：
垂直卷积核：
梯度Prewitt卷积核与Soble卷积核的选取相似，对水平边缘或垂直边缘均有较好的检测效果。
Soble边缘检测： Soble与上述卷积内核的不同之处在于Soble更突出了与边缘相邻的像素点对边缘的影响。
水平坡度：
垂直坡度：
以上的水平边缘和垂直边缘检测问题可参考Soble算子在水平方向和垂直方向的导数问题
梯度Laplacian :卷积核：
Laplacian也是锐化的方法，同时也可以进行边缘检测。 另外，边缘检测的应用中不限于水平方向或垂直方向是Laplacian与soble的不同之处。 下图很好地反映了两者的不同。 来源于OpenCV的官方文件