使用标准的numpy和cv2.filter2D解决方案，我可以对图像应用静态卷积：

import numpy as np

convolution_kernel = np.array([[-2, -1, 0], 
                               [-1, 1, 1], 
                               [0, 1, 2]])

import cv2

image = cv2.imread('1.png') result = cv2.filter2D(image, -1, convolution_kernel)

• （示例来自https://stackoverflow.com/a/58383803/3310334）*

输出图像中[i, j]处的每个像素都有一个值，该值是通过将一个3x3 "窗口"居中到输入图像中的[i, j]上，然后将窗口中的每个值乘以卷积核中的对应值（Hadamard乘积），最后将9个乘积相加以获得输出图像中[i, j]的值（对于每个颜色通道）来计算的。
[四]

• （图片来源：https://github.com/ashushekar/image-convolution-from-scratch#convolution)*

在我的例子中，计算每个输出像素的函数并不像阿达玛乘积之和那么简单，而是通过对已知大小的窗口执行运算，将每个像素转换为以该像素为中心的两个输入矩阵。
我有两个输入矩阵（"图像"），如

A = [[179,  97,  77, 118, 144, 105],
     [ 68,  56, 184, 210, 141, 230],
     [178, 166, 218,  47, 106, 172],
     [ 38, 183,  50, 185,  48,  87],
     [ 60, 200, 228, 232,   6, 190],
     [253,  75, 231, 166, 117, 134]]

B = [[116,  95,  94, 220,  80, 223],
     [135,   9, 166,  78,   5, 129],
     [102, 167, 120,  81, 141,  29],
     [ 83, 117,  81, 129, 255,  48],
     [130, 231, 165,   7, 187, 169],
     [ 44, 137,  16,  50, 229, 202]]

在输出矩阵中，每个[i, j]像素应计算为两个（大小相同）输入矩阵上3x3 "窗口"内[u, v]坐标的所有A[u,v] ** 2 - B[u,v] ** 2值之和。
如何在Python中快速计算这个输出矩阵？
使用numpy，看起来像是A * A - B * B的3x3求和，但是如何做这些求和呢？或者我可以使用另一个"2d map"过程吗？
我编写了一个基于循环的解决方案来计算以下两个示例的预期输出：
一个二个一个一个