Konvolusi berkorelasi dengan filter yang diputar 180 derajat. Ini tidak ada bedanya, jika filternya simetris, seperti Gaussian, atau Laplacian. Tapi itu membuat banyak perbedaan, ketika filter tidak simetris, seperti turunan.
Alasan kita membutuhkan konvolusi adalah karena ia asosiatif, sedangkan korelasi, secara umum, tidak. Untuk melihat mengapa ini benar, ingat bahwa konvolusi adalah perkalian dalam domain frekuensi, yang jelas asosiatif. Di sisi lain, korelasi dalam domain frekuensi adalah perkalian dengan konjugat kompleks, yang tidak asosiatif.
Asosiativitas konvolusi adalah apa yang memungkinkan Anda untuk "pre-convolve" filter, sehingga Anda hanya perlu melilit gambar dengan filter tunggal. Sebagai contoh, katakanlah Anda memiliki gambar , yang perlu Anda gabungkan dengan g dan kemudian dengan h . f ∗ g ∗ h = f ∗ ( g ∗ h ) . Itu berarti Anda dapat menggabungkan g dan h terlebih dahulu ke dalam filter tunggal, dan kemudian menggabungkan f dengan itu. Ini berguna, jika Anda perlu menggabungkan banyak gambar denganfghf∗g∗h=f∗(g∗h)ghf dan h . Anda dapat melakukan pra-komputasi kgh , dan kemudian menggunakan kembali k beberapa kali.k=g∗hk
Jadi jika Anda melakukan pencocokan templat , yaitu mencari templat tunggal, korelasinya cukup. Tetapi jika Anda perlu menggunakan beberapa filter secara berurutan, dan Anda perlu melakukan operasi ini pada banyak gambar, masuk akal untuk menggabungkan beberapa filter menjadi satu filter sebelumnya.