35-2.Python Paddlepaddle实现图像中物体边缘检测

目录

1.问题介绍

2.代码实例

3.输出结果

---

1.问题介绍

常用的参数如下：

in_channels(int)：输入图像的通道数。

out_channels(int)：卷积核的个数，和输出特征图通道数相同，相当于上文中的。

kernel_size(int|list|tuple)：卷积核大小，可以是整数，比如3，表示卷积核的高和宽均为3；或者是两个整数的list，例如[3,2]，表示卷积核的高为3，宽为2。

stride(int|list|tuple，可选)：步长大小可以是整数，默认值为1，表示垂直和水平滑动步幅均为1；或者是两个整数的list，例如[3,2]，表示垂直滑动步幅为3，水平滑动步幅为2。

padding(int|list|tuple|str，可选)：填充大小，可以是整数，比如1，表示竖直和水平边界填充大小均为1；或者是两个整数的list，例如[2,1]，表示竖直边界填充大小为2，水平边界填充大小为1。

对于真实的图片，也可以使用合适的卷积核(3*3卷积核的中间值是8，周围一圈的值是8个-1)对其进行操作，用来检测物体的外形轮廓，观察输出特征图与原图之间的对应关系。

2.代码实例

# 同时添加如下代码, 这样每次环境(kernel)启动的时候只要运行下方代码即可: 
# Also add the following code, 
# so that every time the environment (kernel) starts, 
# just run the following code: 
import sys 
sys.path.append('/home/aistudio/external-libraries')
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import paddle
from paddle.nn import Conv2D
from paddle.nn.initializer import Assign
img = Image.open('/home/aistudio/86411667216592.jpg')

#设置卷积核参数
w = np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]], dtype='float32')/8
w =w.reshape([1, 1, 3, 3])

w = np.repeat(w, 3, axis =1)

conv = Conv2D(in_channels=3, out_channels=1, kernel_size=[3, 3], 
            weight_attr=paddle.ParamAttr(
              initializer=Assign(value=w)))

#将读入的图片转化为float32类型的numpy.ndarray
x = np.array(img).astype('float32')
#图片读入成ndarry时，形状是[H,W,3]
#将通道这一维度调整到最前面
x = np.transpose(x, (2,0,1))
#将数据形状调整为[N,C,H,W]格式
x = x.reshape(1, 3, img.height, img.width)
x = paddle.to_tensor(x)
y = conv(x)
out = y.numpy()
plt.figure(figsize=(20, 10))
f = plt.subplot(121)
f.set_title('input image', fontsize=15)
plt.imshow(img)
f = plt.subplot(122)
f.set_title('output feature map', fontsize=15)
plt.imshow(out.squeeze(), cmap='gray')
plt.show()

3.输出结果