卷积神经网络——24位彩色图像的卷积的详细介绍

卷积用于图像处理：

卷积在函数方面的表现是一种连续的，可以用积分来表示，其实在初识积分的时候，我们就知道积分是通过离散数据求和得来的，这也决定了图像处理也可以运用到卷积的原理。在电脑中，图像其实是一个m*n的矩阵（这里不讨论颜色通道），那么针对于像素点，我们可以使用卷积的原理，使用另一个矩阵，将图像的低阶特征去除掉，保留和突出图像的高阶特征，再根据后续操作，对图像进行分类或者识别。

在连续函数的卷积中，使用的是可移动的与f(x)进行积分，在离散的图像矩阵中，将采取一种“卷积核”的特殊矩阵，它的作用就是代替，在平移的过程中与图像矩阵相乘累加，从而达到卷积中积分的效果。

卷积在图像处理中经常被用于平滑、模糊、锐化、去噪、边缘取等工作中。图像处理中的卷积操作，其实就是利用卷积核(模板)在目标图像上滑动，将图像上的像素点依次对应到卷积核的中间像素处，每个像素点对齐后将图像上的像素灰度值与卷积核对应位置上的数值相乘，然后将相乘后的所有值相加，相加的结果作为当前像素的灰度值，并最终滑动完所有图像像素点的过程。

一、24位彩色图像的卷积

1.导包

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

2.符号说明：

输入参数：
im : 单通道图像 mfilter：滤波器 fm：滤波器行数 fn：滤波器列数 hfm：滤波器行数半径 hfn：滤波器列数半径输出参数：convIm：单通道卷积结果

3.定义卷积运算的函数：

def convolution( im, mfilter, fm, fn, hfm, hfn ):mI, nI = im.shapeimp = np.pad( im, (hfm, hfn ), 'constant' )padmI, padnI = imp.shapeconvHeight = padmI - fm + 1convWidth  = padnI - fn + 1convIm = np.zeros( (mI, nI), dtype=np.float )for i in range( convHeight ):for j in range( convWidth ):locIm =  imp[ i:i+fm, j:j+fn ]convIm[i][j] = np.sum( locIm * mfilter )convIm = convIm.clip( 0, 255 )convIm = np.rint(convIm).astype('uint8')     return convIm

4.对rgb三通道图片的每一个通道调用卷积运算函数进行卷积操作，输出卷积之后的图片。

def ImageConvolution( image, mfilter ):mI, nI, cI = np.shape( image )print( 'Image size:', mI, nI, cI )[fm, fn] = np.shape( mfilter )print( 'fileter size:', fm, fn )hfm = int( fm / 2 )hfn = int( fn / 2 )#根据滤波器长度奇偶性的不同调整扩充图像的范围if fn % 2 == 0:hfn -= 1imR = image[ :, :, 0 ]imG = image[ :, :, 1 ]    imB = image[ :, :, 2 ]#依次截取与滤波器大小相同的图像块进行内积运算  convImageR = convolution( imR, mfilter, fm, fn, hfm, hfn  )convImageG = convolution( imG, mfilter, fm, fn, hfm, hfn  )convImageB = convolution( imB, mfilter, fm, fn, hfm, hfn  )convImage = np.stack( ( convImageR, convImageG, convImageB ), 2  )return convImage

5.主函数就是输入需要处理的图片，然后调用刚刚第二个函数对图片进行卷积操作，最后可视化卷积之后的图片

def main():img = np.array( Image.open("C:/Users/bwy/Desktop/暑假/ImageConvolution_py/1.jpg", 'r') )plt.figure( 'Image' )plt.imshow( img )#plt.axis( 'off' )#根据滤波器对图像进行卷积filter1 = [ [-1, -2, -1], [0, 0, 0], [1, 2, 1] ]imageConv = ImageConvolution( img, filter1 )plt.figure( 'filter1' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (2, 2) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter2x2' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (3, 3) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter3x3' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (4, 4) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter4x4' )plt.imshow( imageConv )plt.axis( 'off' )if __name__ == '__main__':main()

结果：左图(原图像)：

完整全部代码如下：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
#卷积
#输入参数：
#   im : 单通道图像
#   mfilter：滤波器
#   fm：滤波器行数
#   fn：滤波器列数
#   hfm：滤波器行数半径
#   hfn：滤波器列数半径
#输出参数：
#   convIm：单通道卷积结果
def convolution( im, mfilter, fm, fn, hfm, hfn ):mI, nI = im.shapeimp = np.pad( im, (hfm, hfn ), 'constant' )padmI, padnI = imp.shapeconvHeight = padmI - fm + 1convWidth  = padnI - fn + 1convIm = np.zeros( (mI, nI), dtype=np.float )for i in range( convHeight ):for j in range( convWidth ):locIm =  imp[ i:i+fm, j:j+fn ]convIm[i][j] = np.sum( locIm * mfilter )convIm = convIm.clip( 0, 255 )convIm = np.rint(convIm).astype('uint8')     return convIm#图像的卷积运算
#输入参数
#       image：原图像
#       mfilter：滤波器
#输出参数
#       convImage:卷积后的图像
def ImageConvolution( image, mfilter ):mI, nI, cI = np.shape( image )print( 'Image size:', mI, nI, cI )[fm, fn] = np.shape( mfilter )print( 'fileter size:', fm, fn )hfm = int( fm / 2 )hfn = int( fn / 2 )#根据滤波器长度奇偶性的不同调整扩充图像的范围if fn % 2 == 0:hfn -= 1imR = image[ :, :, 0 ]imG = image[ :, :, 1 ]    imB = image[ :, :, 2 ]#依次截取与滤波器大小相同的图像块进行内积运算  convImageR = convolution( imR, mfilter, fm, fn, hfm, hfn  )convImageG = convolution( imG, mfilter, fm, fn, hfm, hfn  )convImageB = convolution( imB, mfilter, fm, fn, hfm, hfn  )convImage = np.stack( ( convImageR, convImageG, convImageB ), 2  )return convImagedef main():img = np.array( Image.open("C:/Users/bwy/Desktop/暑假/ImageConvolution_py/1.jpg", 'r') )plt.figure( 'Image' )plt.imshow( img )#plt.axis( 'off' )#根据滤波器对图像进行卷积filter1 = [ [-1, -2, -1], [0, 0, 0], [1, 2, 1] ]imageConv = ImageConvolution( img, filter1 )plt.figure( 'filter1' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (2, 2) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter2x2' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (3, 3) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter3x3' )plt.imshow( imageConv )plt.axis( 'off' )filter2 = np.ones( (4, 4) )filter2 /= filter2.sum()imageConv = ImageConvolution( img, filter2 )plt.figure( 'filter4x4' )plt.imshow( imageConv )plt.axis( 'off' )if __name__ == '__main__':main()

博主收到的一树“杏运”，每位读到这篇文章的人也都会超级幸运，运气爆好！！！

卷积神经网络——24位彩色图像的卷积的详细介绍相关推荐

卷积神经网络的python实现,python卷积神经网络图像
怎样用python构建一个卷积神经网络模型上周末利用python简单实现了一个卷积神经网络,只包含一个卷积层和一个maxpooling层,pooling层后面的多层神经网络采用了softmax形式的 ...
卷积神经网络（4）-- 实现卷积神经网络的简例
一.卷积神经网络的一般框架卷积神经网络主要包含5个结构:输入层.卷积层.池化层.全连层.softmax层输入层:整个神经网络的输入,在图像分类问题中,一般是一张图片的像素矩阵.一般按照batch进 ...
卷积神经网络的Python实现,python卷积神经网络训练
如何才能自学好python? 对于想要自学Python的小伙伴,这里整理了一份系统全面的学习路线,按照这份大纲来安排学习可以少走弯路,事半功倍. 第一阶段:专业核心基础阶段目标:1.熟练掌握Pytho ...
【数据挖掘】卷积神经网络 ( 视觉原理 | CNN 模仿视觉 | 卷积神经网络简介 | 卷积神经网络组成 | 整体工作流程 | 卷积计算图示 | 卷积计算简介 | 卷积计算示例 | 卷积计算参数 )
文章目录 I . 人类的视觉原理 II . 卷积神经网络模仿视觉原理 III . 卷积神经网络简介 IV . 卷积神经网络组成 V . 卷积神经网络工作流程 VI . 降低样本参数数量级 VI ...
卷积神经网络（三）：卷积神经网络CNN的简单实现（部分Python源码）
转载自: 卷积神经网络(三):卷积神经网络CNN的简单实现(部分Python源码) - xuanyuansen的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/xu ...
图神经网络（一）图信号处理与图卷积神经网络（5）图卷积神经网络
图神经网络(一)图信号处理与图卷积神经网络(5)图卷积神经网络 0. 概述 1. 对频率响应矩阵进行参数化 2. 对多项式系数进行参数化 3. 设计固定的图滤波器 0. 概述在学习了图滤波器定义的基 ...
机器学习——深度学习之卷积神经网络（CNN）——AlexNet卷积神经网络结构
目录一.AlexNet卷积神经网络结构模型 1.数据库ImageNet 2.AlexNet第一层卷积层二.AlexNet卷积神经网络的改进 1.非线性变化函数的改变--ReLU 2.最大池化(Ma ...
转：卷积神经网络_（1）卷积层和池化层学习
博主总结的很好,学习中.转载:http://www.cnblogs.com/zf-blog/p/6075286.htm 卷积神经网络_(1)卷积层和池化层学习卷积神经网络(CNN)由输入层.卷积层. ...
卷积神经网络学习——第二部分：卷积神经网络训练的基本流程
卷积神经网络学习--第二部分:卷积神经网络训练的基本流程一.序言二.训练流程 1.数据集引入 2.构建网络 (1)四层卷积神经网络 (2)两层全连接层网络 3.模型训练 4.模型评估三.总结一 ...

卷积神经网络——24位彩色图像的卷积的详细介绍

卷积神经网络——24位彩色图像的卷积的详细介绍相关推荐

最新文章

热门文章