1.前言
我们知道，卷积核(也叫滤波器矩阵)在卷积神经网络中具有非常重要的作用。说白了，CNN主要作用在于提取图像的各种特征图（feature maps).
CNN主要是通过卷积运算来完成特征提取的。图像卷积运算，主要是通过设定各种特征提取滤波器矩阵（卷积核，通常设定大小为3x3,或者5x5的矩阵），然后使用该卷积核在原图像矩阵（图像实际是像素值构成的矩阵）‘滑动’，实现卷积运算。如果对卷积运算还不太明白的，可以去看吴恩达的课程，他已经介绍的很详细了。本文重点在于，使用python来实现卷积运算，让大家可以看到实际的卷积运算结果，从而对CNN提取特征有比较直观的认识，进而更好地去理解基于卷积神经网络的图像识别，目标检测等深度学习算法。
在这里插入图片描述
2.自定义卷积核，用numpy完成图像卷积运算，生成对应特征图：
"""
@Project Name: CNN featuremap
@Author: LZP
@Time: 2021-02-02, 16:09
@Python Version: python3.6
@Coding Scheme: utf-8
@Interpreter Name: JupyterNotebook
"""
import numpy as np
import cv2
from matplotlib import pyplot as plt
def conv(image, kernel, mode='same'):
if mode == 'fill':#选择是否进行边缘填充
h = kernel.shape[0] // 2#卷积核的列除以2取整
w = kernel.shape[1] // 2#卷积核的行除以2取整
#在原始图像边缘进行填充，常数填充，填数值0，假设原始图像600*600，卷积核大小5*5，则填充后图像大小604*604
image = np.pad(image, ((h, h), (w, w), (0, 0)), 'constant')
#进行卷积运算
conv_b = _convolve(image[:, :, 0], kernel)
conv_g = _convolve(image[:, :, 1], kernel)
conv_r = _convolve(image[:, :, 2], kernel)
res = np.dstack([conv_b, conv_g, conv_r])
return res
def _convolve(image, kernel):
h_kernel, w_kernel = kernel.shape#获取卷积核的长宽，也就是行数和列数
h_image, w_image = image.shape#获取欲处理图片的长宽
#计算卷积核中心点开始运动的点，因为图片边缘不能为空
res_h = h_image - h_kernel + 1
res_w = w_image - w_kernel + 1
#生成一个0矩阵，用于保存处理后的图片
res = np.zeros((res_h, res_w), np.uint8)
for i in range(res_h):
for j in range(res_w):
#image处传入的是一个与卷积核一样大小矩阵，这个矩阵取自于欲处理图片的一部分
#这个矩阵与卷核进行运算，用i与j来进行卷积核滑动
res[i, j] = normal(image[i:i + h_kernel, j:j + w_kernel], kernel)
return res
def normal(image, kernel):
#np.multiply()函数：数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致（点对点相乘）
res = np.multiply(image, kernel).sum()
if res > 255:
return 255
elif res<0:
return 0
else:
return res
if __name__ == '__main__':
path = './img/doramon.jpeg' # 原图像路径
image = cv2.imread(path)
#kernel 是一个3x3的边缘特征提取器，可以提取各个方向上的边缘
#kernel2 是一个5x5的浮雕特征提取器。
kernel1 = np.array([
[1, 1, 1],
[1, -7.5, 1],
[1, 1, 1]
])
kernel2 = np.array([[-1, -1, -1, -1, 0],
[-1, -1, -1, 0, 1],
[-1, -1, 0, 1, 1],
[-1, 0, 1, 1, 1],
[0, 1, 1, 1, 1]])
res = conv(image, kernel1, 'fill')
plt.imshow(res)
plt.savefig('./out/filtered_picdoramon01.jpg', dpi=600)
plt.show()
3. 实验结果
边缘特征提取
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
浮雕特征提取器
在这里插入图片描述
在这里插入图片描述
4.代码解释 ：
1、image = cv2.imread(path)
imread是用来读取图片，结果一般是矩阵的形式
2、image = np.pad(image, ((h, h), (w, w), (0, 0)), 'constant')
image是指要填充的数组，((h, h), (w, w), (0, 0))是在各维度的各个方向上想要填补的长度,如（（1，2），（2，2））， 表示在第一个维度上水平方向上padding=1,垂直方向上padding=2,在第二个维度上水平方向上padding=2,垂直方向上padding=2。如果直接输入一个整数，则说明各个维度和各个方向所填补的长度都一样。constant指填补类型。举个栗子:
（1）对一维数组的填充
import numpy as np
array = np.array([1, 1, 1])
# (1,2)表示在一维数组array前面填充1位，最后面填充2位
# constant_values=(0,2) 表示前面填充0，后面填充2
ndarray=np.pad(array,(1,2),'constant', constant_values=(0,2))
print("array",array)
print("ndarray=",ndarray)
result:
array [1 1 1]
ndarray= [0 1 1 1 2 2]
（2）对二维数组的填充
import numpy as np
array = np.array([[1, 1],[2,2]])
"""
((1,1),(2,2))表示在二维数组array第一维（此处便是行）前面填充1行，最后面填充1行；
在二维数组array第二维（此处便是列）前面填充2列，最后面填充2列
constant_values=(0,3) 表示第一维填充0，第二维填充3
"""
ndarray=np.pad(array,((1,1),(2,2)),'constant', constant_values=(0,3))
print("array",array)
print("ndarray=",ndarray)
result:
array [[1 1]
[2 2]]
ndarray= [[0 0 0 0 3 3]
[0 0 1 1 3 3]
[0 0 2 2 3 3]
[0 0 3 3 3 3]]
