我正在尝试评估一些基本图像过滤算法的复杂性。我想知道你是否可以验证这个理论;
对于像Inverse这样的基本像素滤镜，操作次数随输入的大小（以像素为单位）线性增长，并且
设S =图像边长 设M =＃像素输入
反向的顺序为O（M）或O（S ^ 2）。
另一方面，卷积滤波器有一个参数R，它确定邻域的大小，以便在为每个滤波器建立下一个像素值时进行卷积。设R =卷积滤波器的半径
卷积为O阶（M *（（R + R * 2）^ 2）= O（M *（4R ^ 2）= O（MR ^ 2）
或者我应该让N =卷积滤波器（邻域）的大小（以像素为单位）？
O（M *（N））= O（MN）
最终，卷积滤波器线性地依赖于像素数和邻域中像素数的乘积。
如果您有任何文件链接已经记录在案，那将非常感谢。
亲切的问候，
加文
答案 0 :(得分：2)
O（MN）似乎是正确的，如果我理解对于图像中的每个像素，卷积是邻域N中像素值的调整，而不管N是正方形。 N可以是最佳拟合三角形...但是为图像中的每个像素调整邻域中的像素，然后O（MN）更有意义，因为依赖性是在源图像中每像素调整的像素中。 / p>
有趣的是，在非常规邻域中，某些像素可能会被邻居掩码调整得比其他像素更多，但O（MN）仍然会有效。
如果邻域是像素P的中心，然后移动到下一个不在邻域中的P（意味着每个像素被转换一次），那么这就不行了。