大家好，又见面了，我是你们的朋友全栈君。
在卷积神经网络中，才用卷积技术实现对图片的降噪和特征提取。
一般我们构建卷积神经网络都是使用成熟的框架，今天我就来自己实现一下卷积，并使用不同的卷积核来看看效果。
卷积操作的原理可以由下图表示：
一个3*3的卷积核，以滑动窗口的形式在图片上滑动，每滑动一次，就计算窗口中的数据的加权之和，权值就是卷积核的数据。
通过这个过程将图片进行转化。
准备图片数据：
使用PIL库读取图片：
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np读取图片，并可视化：
img = Image.open('金鱼姬.jpg')
plt.axis("off")
plt.imshow(img)
以灰度显示图片：
gray = img.convert('L')
plt.figure()
plt.imshow(gray, cmap='gray')
plt.axis('off')
RGB三通道数据分离：
r, g, b = img.split()三色通道可视化：
plt.imshow(r, cmap='gray')
plt.axis('off')
将图片数据转化为np矩阵：
np.array(img)
np.array(r)
np.array(g)
np.array(b)单通道数据（r）：
array([[ 52, 58, 55, ..., 139, 133, 91],
[ 46, 53, 52, ..., 140, 138, 103],
[ 45, 53, 52, ..., 142, 144, 119],
...,
[ 40, 37, 37, ..., 60, 61, 47],
[ 39, 36, 37, ..., 56, 58, 48],
[ 35, 33, 35, ..., 54, 57, 48]], dtype=uint8)定义卷积核：
#定义卷积核（3*3）
k = np.array([
[0,1,2],
[2,2,0],
[0,1,2]
])我们使用单通道图片数据进行卷积：
data = np.array(r)
n,m = data.shape可以看到，图片的大小为：720*1280
关键点来了，定义卷积函数（二维）：
def convolution(k, data):
n,m = data.shape
img_new = []
for i in range(n-3):
line = []
for j in range(m-3):
a = data[i:i+3,j:j+3]
line.append(np.sum(np.multiply(k, a)))
img_new.append(line)
return np.array(img_new)采用双循环遍历图片数据，line存储一行卷积后的数据，img_new记录每一行卷积后的数据，形成新的图片
下面来看一看卷积结果：
img_new = convolution(k, data)#卷积过程
#卷积结果可视化
plt.imshow(img_new, cmap='gray')
plt.axis('off')
因为卷积结果和卷积核有密切关系，虽然上图看上去没他大的区别，那是因为卷积核的关系。
我们来使用常见的几种卷积核来看看结果：
卷积核1：垂直边缘检测
k1 = np.array([
[1,0,-1],
[1,0,-1],
[1,0,-1]
])
可以看到，图片中物体的纵向边界特征被提取出来，而其他的特征被弱化了
卷积核2：水平边缘检测
k2 = np.array([
[1,1,1],
[0,0,0],
[-1,-1,-1]
])
可以看出，横向特征被凸显。
我们换一个，纵向特征比较明显的图片来试一下：
例如该图中有很多竖向的扶手，我们看看他的卷积后的效果：
垂直边缘检测：
水平边缘检测：
这样看，特征就很明显了。
通过卷积后的图片，大小变化了，可以使用零填充技术使得输出图片和原图片大小一致，这里就不实现了，本文主要是实现卷积过程。
还有其他常用的卷积核，以下分别展示一下各自的效果：
sobel滤波（纵向，横向）：
scharr滤波（纵向，横向）：
大家猜猜，最后我使用的是出自哪里的图片吧！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/140232.html原文链接：https://javaforall.net
