人工智能 作业4：CNN - 卷积

---

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、概念

1.卷积：

在泛函分析中，卷积、旋积或褶积是通过两个函数f和g生成第三个函数的一种数学运算，其本质是一种特殊的积分变换，表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。

2.卷积核

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。

3.多通道

输入的一层代表一个通道，多通道即为多层输入，同时需要相同通道数的卷积核进行卷积。

4.特征图

图像经过卷积过程得到的结果。

5.特征选择

在一些实际问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特征来表征的。但是对于一个特定的算法来说，哪一个特征是有效的是未知的。因此，需要从所有特征中选择出对于算法有益的相关特征。

二、不同卷积核作用和原理

1.边缘检测

将当前的像素值减去前一个像素值，得到这个函数在这两个位置的差别或者斜率，相当于求导或斜率，也就突出了变化的边缘效果。

2.锐化

增强两点之间的对比度

3.模糊

将点与点之间的对比度变小，是由周围的点和中间的点的颜色共同决定卷积后的颜色

三、编程实现

import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
import torch.nn.functional as F
from PIL import Image
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号 #有中文出现的情况，需要u'内容

file_path = '1.jpg'
im = Image.open(file_path).convert('L')  # 读入一张灰度图的图片
im = np.array(im, dtype='float32')  # 将其转换为一个矩阵
print(im.shape[0], im.shape[1])
plt.imshow(im.astype('uint8'), cmap='gray')  # 可视化图片
plt.title('原图')
plt.show()

im = torch.from_numpy(im.reshape((1, 1, im.shape[0], im.shape[1])))
conv1 = nn.Conv2d(1, 1, 3, bias=False)  # 定义卷积

sobel_kernel = np.array([[-1, -1, -1],
                         [-1, 8, -1],
                         [-1, -1, -1]], dtype='float32')
sobel_kernel = sobel_kernel.reshape((1, 1, 3, 3))  # 适配卷积的输入输出
conv1.weight.data = torch.from_numpy(sobel_kernel)  # 给卷积的 kernel 赋值

edge1 = conv1(Variable(im))  # 作用在图片上

x = edge1.data.squeeze().numpy()
print(x.shape)  # 输出大小

plt.imshow(x, cmap='gray')
plt.show()

---

1.实现灰度图的边缘检测、锐化、模糊。

a.边缘检测

将当前的像素值减去前一个像素值，得到这个函数在这两个位置的差别或者斜率，相当于求导或斜率，也就突出了变化的边缘效果。

b.锐化

增强两点之间的对比度

c.模糊

将点与点之间的对比度变小，是由周围的点和中间的点的颜色共同决定卷积后的颜色

2.调整经典卷积核参数

调整经典卷积核参数能使图片达到不同的效果，图像的卷积效果会随着卷积核的参数改变而改变。

3.使用不同尺寸的图片

4.探索更多类型卷积核

随机写数进去得到了一个类似于立体雕塑

5.尝试彩色图片边缘检测

修改该处能将原图显示出彩色

总结

该实验让我更深刻地了解了卷积的相关知识，只是尝试彩色图片边缘检测时遇到了一些困难，导致无法得出对比后的图片。