从零开始的数字图像处理学习（1）——创世世界的开端

某期末复习

一.图片的基本数据结构

图片内存计算：总字节数 = 宽度 x 高度 x 每个像素的字节数x通道数
在0-255像素图片中：一像素点所占字节为1B

   图片归一化处理为0-1时，像素点数据类型将转变为float：4B

   灰度图片色彩通道数：1

   RGB:3

二.卷积

1.卷积相关概念

什么是卷积：卷积操作是数字图像处理中常用的一种操作，用于图像的滤波、特征提取和图像增强等任务

卷积核（Kernel）或滤波器（Filter）：卷积操作使用一个小的矩阵，称为卷积核或滤波器，对图像进行处理。卷积核通常是一个奇数×奇数大小的矩阵，其中的元素称为权重或卷积系数。

卷积运算（Convolution Operation）：卷积运算是指将卷积核与图像的每个像素及其周围像素进行点乘（按元素相乘），然后将乘积结果相加得到新的像素值。通过移动卷积核的位置，可以在整个图像上进行卷积运算。

                               g(x, y) = ∑[∑(h(a, b) * f(x - a, y - b))]

   其中，g(x, y)为输出图像的像素值，(x, y)为输出图像中的像素坐标，(a, b)为卷积核h(x, y)中的索引，求和符号∑表示对所有的(a, b)进行求和运算。该公式表示卷积运算的过程是，将卷积核h(x, y)与输入图像f(x, y)的每个像素位置进行对应相乘，然后将所有相乘的结果求和，得到输出图像的像素值。

那么为什么需要进行卷积计算：当我们通过不同卷积操作（使用不同卷积核，filter滤波器）后获得一个新矩阵，即为各种滤波操作获得新图片。

将图片进行卷积操作获得新矩阵，我们不难发现新矩阵尺寸应为：

• W_out = (W_in - W_k + 2P) / S + 1

• H_out = (H_in - H_k + 2P) / S + 1

  假设输入图像的尺寸为 W_in × H_in，卷积核的尺寸为 W_k × H_k，步长为 S。其中，W_out 和 H_out 分别表示输出图像的宽度和高度，P 是补零（padding）的大小。

跟输入前图片相比新矩阵将进行压缩，为保持图片尺寸原样输出，我们将进行下面操作。

填充（Padding）：填充是在图像周围添加额外的像素，以控制卷积后图像的尺寸。常见的填充方式有零填充（Zero Padding），即在图像周围填充0值像素。