【过一下3】卷积&图像噪音&边缘&纹理

早上

睡够九个小时
睁眼的一件事，不知怎么的点到qq群里面去了，薅羊毛，购物了一个小时，然后是做饭（早午饭），吃了之后，又和女朋友解释了一下leetcode积分机制以及自己太菜了，所以不去搞那个了。
然后是刷一道 求子树和的题目，后序遍历，然后记录，去重。
接下来是看深度学习的课件

看课件

卷积核

定义上，卷积要求先把卷积核 翻转180° 体现在-u -v ，如果是 +u +v 就是相关不是卷积了。
但是 一般这个卷积核都是对称的，所以无所谓了，然后 神经网络学到的也是颠倒的，所以不强调了

卷了之后再平移，和平移之后再卷积，一样的。然后 代入到卷积核里面，只要保证那9个格子的数据不会被破坏

固有问题–边界填充

通常都是0填充 这样就可以保证输入输出图样大小一样大
当然也可以 镜像填充，拉伸填充

通过（消除）噪声来引出卷积（的概念）
然后是边界填充来引出不同的卷积核

卷积核的尺寸 是固有参数 33 55 7*7

求平均-拉近自己和周边邻居的距离，使得变得相似，平滑

不同的卷积核可以达成不同的图像操作

原图+边缘图=锐化

平均卷积核 肯定是不太行的，引出高斯卷积核

中心是(0,0)
要归一，不然 可能放大也可能缩小原来图片的 数据

方差越小，他峰越陡峭，越集中，越不近人情（和邻居距离很远），平滑效果越不明显

模板尺寸，对应着 归一化的分母。

经验之谈

而且这个卷积核可以分离


用小模板多次卷积要比大模板一次卷积运算量小的
用分解模板可以进一步降低

所以可以抑制噪声，实现平滑（和可以通过分离来降低复杂度）

噪音

高斯噪音 密密麻麻 随机分布，相当于在原来信号上面都叠了一个高斯分布随机分布的信号

去除高斯噪声要用大卷积核（要来磨皮）

高斯卷积核是线性操作，但是中值滤波器只是排序取中值，所以他不是

边缘

目的

边缘 亮度急剧变化的点

不同的应用场景侧重于不同的边缘

• 判断物体是啥，就需要识别那个字
• 判断物体是否在桌子上，需要侧重于光照的阴影

通过灰度函数的一届函数的求导，得到极值


对x求导，就是y方向的线明显一点

利用梯度的模值，反映边缘信息

非极大值抑制

就是不是最大值就给你删掉，只保留最大值

先是高阈值，然后低阈值，
只有和高阈值 相邻的低阈值 （两更连成一条完整的线的时候）才会被保留

canny

纹理

这部分不看了（感觉用不着）

利用卷积核组

对这个平滑的感念有点懵逼

反思

学的时间太少了。。玩的时间太多了（2:6）