Tutorial教程：利用卷积神经网络识别骰子点数(2)

 

承接上文 利用神经网络识别骰子点数

前言小叙

前一段时间通过bpnn反向传播神经网络实现了识别骰子点数的目标，而且效果不错，我们的识别率可以达到80%上下，其实已经可以应用于生产环境了。只不过读了卷积神经网络，第一次感受到原来还可以这样，感受到了新的世界观和人生观。
卷积这个词，第一次接触还是读图形处理的书的时候，中间会有卷积和滤波处理图片的内容，其实当时对于卷积也是懵懵懂懂，不明所以，无非就是一个个求积再求和，能有什么意义。不过这些天我算是有些明白了。
想通俗了解卷积的朋友可以访问这个链接。境外的朋友请看YouTube短视频，下面我会节选一些来说明卷积和滤波的好玩之处，如果你是一个自拍狂，经常使用滤镜功能，你会更容易体会到卷积的有用之处。

 

线性滤波和卷积的基本概念

 

线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。