1
conv2函数
C=conv2(A,B,shape); %卷积滤波
参数说明：
A：输入图像
B：卷积核
shape的可选值为full、same、valid。
1）当shape=full时，返回全部二维卷积结果，即返回B的大小为（ma+mb-1）x（na+nb-1）。
2）shape=same时，返回与A同样大小的卷积中心部分。
3）shape=valid时，不考虑边界补零，即只要有边界补出的零参与运算的都舍去，返回B的大小为（ma-mb+1）x（na-nb+1）。
上面叙述看起来略有些抽象，可以结合下面的图一起理解。
3种参数的区别见图。 
filter2函数
B = filter2(h,A,shape) ; %相关(correlation)滤波
这里需要明晰一下卷积和相关的区别，卷积操作就是先将卷积核旋转180度然后再和核大小相同的区域内的各元素对应相乘再相加。也就是核旋转180后卷积。而相关操作就是直接用核卷积，不做旋转。注意，我在叙述的时候，把2个区域对应元素相乘再相加这一个操作称为卷积。
参数说明：
A:输入图像，h:相关核
假设输入图像A大小为ma x na，相关核h大小为mb x nb。
1）当shape=full时，返回全部二维卷积结果，即返回B的大小为（ma+mb-1）x（na+nb-1）
2）shape=same时，返回与A同样大小的卷积中心部分。
3）shape=valid时，不考虑边界补零，即只要有边界补出的零参与运算的都舍去，返回B的大小为（ma-mb+1）x（na-nb+1）。
imfilter函数
imfilter函数能够实现3通道的RGB图像和单通道的滤波器的卷积，并且返回的图像也是3通道的。
B=imfilter(A,H,option1,option2,option3)；
参数说明：
A:输入图像，H:滤波核
1）option1：边界选项，可选的有：补充固定的值X（默认都补零），symmetric,replicate,circular
2）option2：输出图像大小选项，可选的有same（默认）,full
3）option3：决定采用与filter2相同的相关滤波还是与conv2相同的卷积滤波
三者的比较
1）filter2输入类型无所谓，输出是double的，输入在边界总是补零（zero padded), 不支持其他的边界补充选项。
2）conv2的输入只能为double型的，否则会提示警告，输出也是double型的。
2） imfilter：不一定要将输入转换为double，但是输出只与输入同类型，有灵活的边界补充选项。有symmetric、replicate，same等。
在适用图像的维度上，imfilter可进行多维图像（RGB等）进行空间滤波，filter2 只能对二维图像（灰度图）进行空间滤波，conv2可以对图像矩阵实现自己想实现的卷积操作，最简单最常用的是二维。所以conv2和filter2类似，多维图像（RGB等）要用imfilter。
【2】
二维卷积的算法原理比較简单，參考随意一本数字信号处理的书籍，而matlab的conv2函数的滤波有个形状參数，用以下的一张图非常能说明问题：
这里给出一种最原始的实现方案。这样的实现对于数据矩阵大小为1000x1000，卷积核矩阵大小为20x20，在我的机器上须要大约1秒钟的时间。而matlab採用的MKL库最快仅仅须要将近0.1s的时间。
以下的代码用到了自己眼下开发的FastIV中的一些函数接口。详细代码例如以下：
#include "fiv_core.h"
typedef enum{
FIV_CONV2_SHAPE_FULL,
FIV_CONV2_SHAPE_SAME,
FIV_CONV2_SHAPE_VALID
}FIV_CONV_SHAPE;
void fIv_conv2(fIvMat** dst_mat, fIvMat* src_mat, fIvMat* kernel_mat, FIV_CONV_SHAPE shape)
{
int src_row = src_mat->rows;
int src_cols = src_mat->cols;
int kernel_row = kernel_mat->rows;
int kernel_cols = kernel_mat->cols;
int dst_row = 0, dst_cols = 0, edge_row = 0, edge_cols = 0;
int i,j, kernel_i,kernel_j,src_i,src_j;
fIvMat* ptr_dst_mat = NULL;
switch(shape){
case FIV_CONV2_SHAPE_FULL:
dst_row = src_row + kernel_row - 1;
dst_cols = src_cols + kernel_cols - 1;
edge_row = kernel_row - 1;
edge_cols = kernel_cols - 1;
break;
case FIV_CONV2_SHAPE_SAME:
dst_row = src_row;
dst_cols = src_cols;
edge_row = (kernel_row - 1) / 2;
edge_cols = (kernel_cols - 1) / 2;
break;
case FIV_CONV2_SHAPE_VALID:
dst_row = src_row - kernel_row + 1;
dst_cols = src_cols - kernel_cols + 1;
edge_row = edge_cols = 0;
break;
}
ptr_dst_mat = fIv_create_mat(dst_row, dst_cols, FIV_64FC1);
*dst_mat = ptr_dst_mat;
for (i = 0; i < dst_row; i++) {
ivf64* ptr_dst_line_i = (ivf64* )fIv_get_mat_data_at_row(ptr_dst_mat, i);
for (j = 0; j < dst_cols; j++) {
ivf64 sum = 0;
kernel_i = kernel_row - 1 - FIV_MAX(0, edge_row - i);
src_i = FIV_MAX(0, i - edge_row);
for (; kernel_i >= 0 && src_i < src_row; kernel_i--, src_i++) {
ivf64* ptr_src_line_i,*ptr_kernel_line_i;
kernel_j = kernel_cols - 1 - FIV_MAX(0, edge_cols - j);
src_j = FIV_MAX(0, j - edge_cols);
ptr_src_line_i = (ivf64*)fIv_get_mat_data_at_row(src_mat, src_i);
ptr_kernel_line_i = (ivf64*)fIv_get_mat_data_at_row(kernel_mat, kernel_i);
ptr_src_line_i += src_j;
ptr_kernel_line_i += kernel_j;
for (; kernel_j >= 0 && src_j < src_cols; kernel_j--, src_j++){
sum += *ptr_src_line_i++ * *ptr_kernel_line_i--;
}
}
ptr_dst_line_i[j] = sum;
}
}
}
FIV_ALIGNED(16) ivf64 ker_data[4*4] = {0.1,0.2,0.3,0.4,
0.5,0.6,0.7,0.8,
0.9,1.0,1.1,1.2,
1.3,1.4,1.5,1.6};
void test_conv2()
{
fIvMat* src_mat = fIv_create_mat_magic(8, FIV_64FC1); // 8x8 magic matrix
fIvMat* kernel_mat = fIv_create_mat_header(4, 4, FIV_64FC1);
fIvMat* dst_mat = NULL;
fIv_set_mat_data(kernel_mat, ker_data, (sizeof(ivf64)) * 4 * 4);
fIv_conv2(&dst_mat, src_mat, kernel_mat, FIV_CONV2_SHAPE_FULL);
fIv_export_matrix_data_file(dst_mat,"dst_mat_4x4-full.txt", 1);
fIv_release_mat(&src_mat);
fIv_release_mat(&kernel_mat);
fIv_release_mat(&dst_mat);
}
int main()
{
test_conv2();
return 0;
}