人工智能-作业4：CNN - 卷积
目录
一、卷积、卷积核、多通道、特征图、特征选择概念。
二、编程实现：
1.经典卷积核，实现灰度图的边缘检测、锐化、模糊
2.调整经典卷积核参数，测试并总结
3.使用不同尺寸图片，测试并总结
4.尝试彩色图片边缘检测
三、参考：
参考链接：
参考代码：
一、卷积、卷积核、多通道、特征图、特征选择概念。
卷积：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
数学表达形式：
卷积核：g(x)可以称为作用点，所有作用点合起来称为卷积核
多通道：例如三通道就是RGB三原色的，一幅完整的图像，是由红绿蓝三个通道组成的，他们共同作用产生了完整的图像
特征图：由图像提取出的特征值组成的方图
特征选择：从已经有的特征中选择若干有效的特征使图片最优
二、编程实现：
1.经典卷积核，实现灰度图的边缘检测、锐化、模糊
运行结果：
原图（图片大小为382x356）：
[-1, -1, -1]
[-1, 8, -1]
[-1, -1, -1]
边缘检测：
锐化：
2.调整经典卷积核参数，测试并总结
调整：
[-10, -10, -10]
[-10, 10, -10]
[-5, -5, -5]
3.使用不同尺寸图片，测试并总结
图片大小改为200x186
边缘检测：
锐化：
4.尝试彩色图片边缘检测
这里把
im = Image.open(file_path).convert('L')改为
im = Image.open(file_path).convert('RGB')只显示彩色原图，显示到处理过后的图片时就报错，暂未解决
三、参考：
参考链接：
(1条消息) 【2021-2022 春学期】人工智能-作业4：CNN - 卷积_HBU_David的博客-CSDN博客
(1条消息) pytorch之卷积模块、池化、激活函数（可视化）_朴素.无恙的博客-CSDN博客_pytorch卷积核可视化
参考代码：
import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
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
# https://blog.csdn.net/weixin_40123108/article/details/83510592
file_path = 'deer.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') # 定义轮廓检测算子
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()