什么是边缘检测

什么是边缘检测

上图左边是一张图片,中间的是过滤器(卷积核),右边的是经过一次卷积产生的图像,这个流程被称为垂直边缘检测

左边图片中明显左右亮度不一致,因此图片中间会产生一条垂直的直线,我们通过中间的卷积核进行卷积,会得到右边的暗明暗的一张图像,实际上中间明亮的区域就是检测出来的垂直边缘,但是由于图片只有6x6的尺寸,所以中间的垂直边缘显示的不是一条直线而是一块明亮的区域,当图片变为1000x1000的时候,这种情况就会改善很多

同理,我们将卷积核换成上图便可以进行水平边缘检测

什么是正边与负边

实际上：是明->暗的过渡；暗->明的过度。

由于左边的图像的翻转，通过卷积运算：实现暗->明的过程。

上述可以得知：左边的是垂直边缘滤波器左边较亮；右边是暗的。右边：水平边缘滤波器：上面为亮，下面是暗色的。

上述：30 是左边区域和核的卷积，可以看出上面亮，底部暗。所以是正的边缘。-30是负的边缘。

上述：通过反向传播，学习滤波器的参数。

往往可以根据需求更换卷积核上的数字，比如sobel滤波器和scharr滤波器。

Padding

在做图像卷积的时候缺点：
1、图像缩小，没每次识别边缘或者识别其他特征时候越来越小。
2、在不断卷积的过程中，意味着不断的重复中间区域，丢掉了图像的边缘部分的很多信息。
为了解决这些问题，我们对图像周边进行填充，


所以通过填充padding=1，得到一个6*6的图像。通过padding可以削弱忽视边缘信息的这个缺点。

根据填充元素数量的不同，可以将卷积分为Vaild卷积和Same卷积
Vaild：卷积之前不进行填充，如果你有一个fxf的卷积核，经过一次卷积之后生成（n-f+1）x(n-f+1)的输出。
Same：卷积之前对图像进行填充，保证图像的输入和输出是一样的。
因此，当卷积核尺寸为奇数时，只要选择合适的填充尺寸，就能够得到和图像输入相同尺寸的输出。
注意：一般的f是奇数。