#1.卷积含义以及边缘检测应用
##1.1
"*"是卷积的意思(convolution)
3x3的过滤器filter(核kernel)对6x6的矩阵进行卷积,可以形成4x4的矩阵,因为它横向可以移动4次,纵向可以移动4次。
每一步卷积是对应位置相乘并相加。
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/305ad10d59f1aa6d14a56dccdeffc1ef.png)
横向第一次卷积
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/ffcd15f2deb787ff5a886ba5d8b566f8.png)
横向第二次卷积
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/dafa45e33176b1368418b5209829a955.png)
纵向第一次横向第一次卷积
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/82f3fd4c7700208bb7f4ea6201b6b048.png)
纵向第4次横向第4次卷积
##1.2边缘检测实例
垂直边缘检测的结果如图
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/8ab21e895692ed116e1d2c2cd88e3aab.png)
垂直边缘检测的结果 边缘检测可辨识颜色的变化 ![这里写图片描述](https://img-blog.csdn.net/20180903161654109?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
边缘检测可辨识颜色的变化
还可以进行水平边缘检测
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/bdd6dbcf606861221b00ef2cbf09cd50.png)
水平边缘检测 可通过学习找到最合适的边缘检测filter ![这里写图片描述](https://img-blog.csdn.net/20180903161847186?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
学习出最优边缘检测filter
#2.padding
##2.1 pading的原理
由于原始矩阵边缘元素在卷积过程中只被用到一次,会造成信息的丢失,所以我们可以给原始矩阵加一个padding。
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/fdc67391c175bf8dfcc7f08e7eee8f9c.png)
增加padding ##2.2padding添加的原则 使得输出的矩阵和原始矩阵一样大小 ![这里写图片描述](https://img-blog.csdn.net/20180903162113302?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
增加padding的原则
#3.步长stride
步长是设置filter移动的间距
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/ac578702daf8651632f1fc58640e0364.png)
总结步长的间距来计算总共filter多少个子矩阵,既最后输出多少的矩阵
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/1b39cca7354cc6df17d861df208447cf.png)