图像处理中常常需要用一个滤波器做空间滤波操作。空间滤波操作有时候也被叫做卷积滤波，或者干脆叫卷积（离散的卷积，不是微积分里连续的卷积）；滤波器也有很多名字：卷积模版、卷积核、掩模、窗口等。
空间滤波可以分为线性滤波和非线性滤波。非线性滤波常见的有中值滤波、最大值滤波等，相当于自定义一个函数，在数学上由于不满足线性变换因此叫做非线性滤波。这里不细研究它。
线性滤波则通常是：将模版覆盖区域内的元素，以模版中对应位置元素为权值，进行累加。
两种模式：
相关(cross-correlation)
将模版中元素从左到右、从上到下，作为使用顺序，那么卷积操作的结果，就是模版第一个元素乘以它覆盖的元素，加上模版第二个元素乘以它覆盖的元素，再加上模版第三个元素乘以它覆盖的元素，...，一直加到模版最后一个元素乘以它覆盖的元素。好吧，其实就是：模版覆盖区域内，元素逐一相乘然后累加，此时的对应位置就是上下投影后被覆盖的位置。
卷积(convolution)
将同样的模版旋转180°后，再做"相关"操作。当然，如果模版是180°对称的那么卷积和相关是相同的。但是并不是所有的模版都对称。
即为如下：
然后进行刚才同样的操作
这里讲一下平时的拉普拉斯算子
旋转180°依然是
所以滤波到底使用的是卷积还是相关也无关紧要，只和数学原理有关
但是
并不是所有的模版都对称
这里值得说的一点是：
神经网络中的CNN卷积层，使用的是卷积模式，但是和别人讨论产生观点歧义，先按吴恩达的走，或许他是为了计算方便，反正是训练出来的模板，180是否翻转都是训练出来的，神经网络自己把翻转后的训练出来不就可以了嘛
