卷积计算 |
您所在的位置:网站首页 › 什么是图解法的概念和特点 › 卷积计算 |
文章目录
卷积的基本概念卷积运算公式交换律分配律结合律数乘结合律
卷积核代码的基本框架
卷积的基本概念
卷积,是一个强有力的数学工具,在计算机领域中有很多非常不错的运用,能产生很多意想不到的效果和输出。 数学上,其连续函数的解析式写作: F ( x ) = ∫ − ∞ ∞ f ( τ ) g ( x − τ ) d τ F(x) = \int_{-\infty}^{\infty} f(\tau) g(x-\tau) d\tau F(x)=∫−∞∞f(τ)g(x−τ)dτ 而离散形为: F ( x ) = ∑ τ = 0 N f ( τ ) g ( x − τ ) F(x) = \sum_{\tau = 0}^{N} f(\tau) g(x-\tau) F(x)=τ=0∑Nf(τ)g(x−τ) 其本质,表示如下一个操作1: f ( x ) = ∫ − ∞ ∞ f ( τ ) d τ f(x) = \int_{-\infty}^{\infty} f(\tau) d \tau f(x)=∫−∞∞f(τ)dτ 这是因为这里面多了一个滑动的概念,卷积核函数的大小不一定跟原函数一致,通常情况下,在滑动计算过程中,卷积核函数一次只处理原函数的一部分。 卷积运算公式最好你能了解一下,虽然说写程序可能一辈子都用不到卷积的运算公式,但没准在论文里,或者某些考试的卷子上会出现这些公式。 交换律x ( t ) ∗ h ( t ) = h ( t ) ∗ x ( t ) x(t)*h(t) = h(t)*x(t) x(t)∗h(t)=h(t)∗x(t) 分配律x ( t ) ∗ [ g ( t ) + h ( t ) ] = x ( t ) ∗ g ( t ) + x ( t ) ∗ h ( t ) x(t)*[g(t)+h(t)] = x(t)*g(t)+x(t)*h(t) x(t)∗[g(t)+h(t)]=x(t)∗g(t)+x(t)∗h(t) 结合律[ x ( t ) ∗ g ( t ) ] ∗ h ( t ) = x ( t ) ∗ [ g ( t ) ∗ h ( t ) ] [x(t)*g(t)]*h(t) = x(t)*[g(t)*h(t)] [x(t)∗g(t)]∗h(t)=x(t)∗[g(t)∗h(t)] 数乘结合律a [ x ( t ) ∗ h ( t ) ] = [ a x ( t ) ] ∗ h ( t ) = x ( t ) ∗ [ a h ( t ) ] a[x(t)*h(t)]=[ax(t)]*h(t)=x(t)*[ah(t)] a[x(t)∗h(t)]=[ax(t)]∗h(t)=x(t)∗[ah(t)] 卷积核卷积核的选取,我个人认为是卷积这种数学工具最重要的部分。因为对于做工程,或者做其他研究,一旦遇上需要使用卷积的部分,增强或者平滑某种信号,亦或者需要从原始信号中提取某种特征,通常意味着需要使用不同的卷积核。 对于数字图像来说,卷积核通常有这些类型,比如平滑(模糊)卷积核,锐化(增强)卷积核,以及边缘卷积核等。 卷积核函数有时会被称为卷积算子,即一个函数空间到函数空间上的映射。从我个人的理解看,他们只是名称叫法不一样,就类似于一个人的昵称、姓名、绰号一类,也就是所谓函数本尊。 另外,根据这类积分函数的特点,卷积核的大小其实是没有固定的规定。对于图像来说,常用的卷积核大小为 3 × 3 3 \times 3 3×3,但根据需要你也可以定义别的大小 4 × 4 4 \times 4 4×4, 5 × 5 5 \times 5 5×5。 3 × 3 3 \times 3 3×3 之所以比较常见,这通常是差分形式所决定的。 例如,对于拉普拉斯算子来说,其 3 × 3 3 \times 3 3×3 的数值通常如下: [ 0 1 0 1 − 4 1 0 1 0 ] \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} ⎣⎡0101−41010⎦⎤ 之所以是这些特定的数值,并非心血来潮,而是根据拉普拉斯的中间差分的差分形式计算后得出 ∂ 2 ∂ x 2 ≈ f ( x + 1 , y ) − 2 f ( x , y ) + f ( x − 1 , y ) \frac{\partial^2}{\partial x^2} \approx f(x+1, y) - 2f(x, y) + f(x-1, y) ∂x2∂2≈f(x+1,y)−2f(x,y)+f(x−1,y) ∂ 2 ∂ y 2 ≈ f ( x , y + 1 ) − 2 f ( x , y ) + f ( x , y − 1 ) \frac{\partial^2}{\partial y^2} \approx f(x, y+1) - 2f(x, y) + f(x, y-1) ∂y2∂2≈f(x,y+1)−2f(x,y)+f(x,y−1) 即 ▽ 2 f ( x ) ≈ f ( x + 1 , y ) + f ( x − 1 , y ) + f ( x , y + 1 ) + f ( x , y − 1 ) − 4 f ( x , y ) \triangledown^2f(x) \approx f(x+1, y) + f(x-1, y) + f(x, y+1) + f(x, y-1) - 4f(x, y) ▽2f(x)≈f(x+1,y)+f(x−1,y)+f(x,y+1)+f(x,y−1)−4f(x,y) 也就是说,这里的拉普拉斯算子的运算矩阵的每一个元素的数值,是其差分形式的所对应元素的系数。 因此,如果你要自行设计卷积核,那么需要根据使用卷积核函数所对应的差分形式,重新推算出新的矩阵每一项的值。 代码的基本框架 def convolution_kernel(data): # 定义卷积核函数 kernel = np.array([[0, 1, 0], [1, -4, 1], [0, 1, 0]]) # 卷积核计算 # 将数组从二维转换为一维 kernel = kernel.flatten() data = data.flatten() # 将核函数反转后和原始数据进行计算 kernel = np.flipud(kernel) result = kernel * data # 返回加和后的值,并四舍五入 return round(np.sum(result)) def image_convolution(image): # 获取图片的长宽 width, height = image.shape backup = np.zeros(image.shape, np.uint8) # 对图片逐像素点遍历 for i in range(1, width - 1): for j in range(1, height - 1): # 从图片中取出一个小矩阵,大小跟卷积核大小一致: 3x3 sub_img = image[i-1:i+2, j-1:j+2] backup[i][j] = convolution_kernel(sub_img) # 返回处理后的图片 return backup《如何通俗易懂地解释卷积》 ,https://www.zhihu.com/question/22298352 ↩︎ |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |