目录
作业一
编程实现：
代码如下：
import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
from PIL import Image
import matplotlib.pyplot as plt
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 #有中文出现的情况，需要u'内容
# im = Image.open(file_path).convert('L') # 读入一张灰度图的图片
'''
im = np.array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 255, 0, 0, 0, 0, 0, 255, 0],
[0, 0, 255, 0, 0, 0, 255, 0, 0],
[0, 0, 0, 255, 0, 255, 0, 0, 0],
[0, 0, 0, 0, 255, 0, 0, 0, 0],
[0, 0, 0, 255, 0, 255, 0, 0, 0],
[0, 0, 55, 0, 0, 0, 255, 0, 0],
[0, 255, 0, 0, 0, 0, 0, 255, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0],
], dtype='float32') # 将其转换为一个矩阵
'''
'''
im = np.array([[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255]], dtype='float32') # 将其转换为一个矩阵
'''
im = np.array([[0, 0, 0, 255, 255, 255],
[0, 0, 0, 255, 255, 255],
[0, 0, 0, 255, 255, 255],
[255, 255, 255, 0, 0, 0],
[255, 255, 255, 0, 0, 0],
[255, 255, 255, 0, 0, 0]], dtype='float32') # 将其转换为一个矩阵
print(im.shape[0], im.shape[1])
plt.imshow(im.astype('uint8'), cmap='gray') # 可视化图片
plt.title('原图')
plt.show()
im = torch.from_numpy(im.reshape((1, 1, im.shape[0], im.shape[1])))
conv1 = nn.Conv2d(1, 1, (1, 2), bias=False) # 定义卷积
sobel_kernel = np.array([[1, -1],
[-1, 1]], dtype='float32') # 定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1, 1, 2, 2)) # 适配卷积的输入输出
conv1.weight.data = torch.from_numpy(sobel_kernel) # 给卷积的 kernel 赋值
edge1 = conv1(Variable(im)) # 作用在图片上
x = edge1.data.squeeze().numpy()
print(x.shape) # 输出大小
plt.imshow(x, cmap='gray')
plt.show()1.修改卷积核，检测算子以及卷积输入输出格式
sobel_kernel = np.array([[1, -1]], dtype='float32') # 定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1, 1, 1, 2)) # 适配卷积的输入输出conv1 = nn.Conv2d(1, 1, (1, 2), bias=False) # 定义卷积执行结果：
2.修改卷积核：
代码如下：
sobel_kernel = sobel_kernel.reshape((1, 1, 1, 2)) # 适配卷积的输入输出执行结果：
3.修改相应位置后的特征图
代码如下：
#生成图像
def create_pic():
picture = torch.Tensor([[0,0,0,255,255,255],
[0,0,0,255,255,255],
[0,0,0,255,255,255],
[255,255,255,0,0,0],
[255,255,255,0,0,0],
[255,255,255,0,0,0]])
return picture
#确定卷积核
kernel = torch.tensor([-1.0,1.0])
kshape = (1,1,1,2)
#生成模型
model = MyNet(kernel=kernel,kshape=kshape)
picture = create_pic()
picture = torch.reshape(picture,(1,1,6,6))
print(picture)
output = model(picture)
output = torch.reshape(output,(6,5))
print(output)
plt.imshow(output,cmap='gray')
plt.show()
4.图2修改卷积核输出特征图
代码如下：
kernel = torch.tensor([-1.0,1.0])
kshape = (1,1,2,1)
model = MyNet(kernel=kernel,kshape=kshape)
picture = create_pic()
picture = torch.reshape(picture,(1,1,6,6))
print(picture)
output = model(picture)
output = torch.reshape(output,(5,6))
print(output)
plt.imshow(output,cmap='gray')
plt.show()
5.图3卷积后：
代码如下：
def create_pic():
picture = torch.Tensor(
[[255,255,255,255,255,255,255,255,255],
[255,0 ,255,255,255,255,255,0 ,255],
[255,255,0 ,255,255,255,0 ,255,255],
[255,255,255,0 ,255,0 ,255,255,255],
[255,255,255,255,0 ,255,255,255,255],
[255,255,255,0 ,255,0 ,255,255,255],
[255,255,0 ,255,255,255,0 ,255,255],
[255,0 ,255,255,255,255,255,0 ,255],
[255,255,255,255,255,255,255,255,255],])
return picture
#生成卷积核
kernel = torch.tensor([-1.0,1.0])
#更改卷积核的形状适应卷积函数
kshape = (1,1,1,2)
model = MyNet(kernel=kernel,kshape=kshape)
picture = create_pic()
picture = torch.reshape(picture,(1,1,9,9))
print(picture)
output = model(picture)
output = torch.reshape(output,(9,8))
print(output)
plt.imshow(output,cmap='gray')
plt.show()
作业二
一、概念
1.卷积：卷积是一种数学运算，有一维和二维卷积，说到底就是相乘相加，就像一个函数一样
2.卷积核：就像下图一样卷积核依次与输入不同位置的图像块做卷积，得到输出
3.特征图：在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个特征图。在输入层，如果是灰度图片，那就只有一个特征图；如果是彩色图片，一般就是3个特征图（红绿蓝）。层与层之间会有若干个卷积核，上一层和每个特征图跟每个卷积核做卷积，都会产生下一层的一个特征图。
4.特征选择：从已有的M个特征中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。
5.步长:每次卷积核移动的多少就是步长。
6.填充：填充卷积过程中所缺失的部分，如线性化边缘的填充，从而使得其可以进行特征提取等操作。
7.感受野：卷积神经网络每一层输出的特征图（Feature Map）上的像素点在原始图像上映射的区域大小。
二、探究不同卷积核的作用
参考网站：Image Kernels explained visually
这就是不同卷积核对图像的不同操作
blur算子，将图片进行模糊。
bottom sobel算子
emboss算子：浮雕
outline算子：边缘检测
三、编程实现
1.实现灰度图边缘检测、锐化、模糊
代码：
import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
from PIL import Image
import matplotlib.pyplot as plt
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 #有中文出现的情况，需要u'内容
file_path = 'ji.png'
im = Image.open(file_path).convert('L') # 读入一张灰度图的图片
im = np.array(im, dtype='float32') # 将其转换为一个矩阵
print(im.shape[0], im.shape[1])
plt.imshow(im.astype('uint8'), cmap='gray') # 可视化图片
plt.title('原图')
plt.show()
im = torch.from_numpy(im.reshape((1, 1, im.shape[0], im.shape[1])))
conv1 = nn.Conv2d(1, 1, 3, bias=False) # 定义卷积
# 边缘检测
sobel_kernel = np.array([[-1, -1, -1],
[-1, 8, -1],
[-1, -1, -1]], dtype='float32') # 定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1, 1, 3, 3)) # 适配卷积的输入输出
conv1.weight.data = torch.from_numpy(sobel_kernel) # 给卷积的 kernel 赋值
edge1 = conv1(Variable(im)) # 作用在图片上
x = edge1.data.squeeze().numpy()
print(x.shape) # 输出大小
plt.imshow(x, cmap='gray')
plt.show()原图：
边缘检测：
锐化：
# 锐化
sobel_kernel = np.array([[0, -1, 0],
[-1, 5, -1],
[0, -1, 0]], dtype='float32') # 定义轮廓检测算子 
模糊：
# 模糊
sobel_kernel = np.array([[0.0625, 0.125, 0.0625],
[0.125, 0.25, 0.125],
[0.0625, 0.125, 0.0625]], dtype='float32') # 定义轮廓检测算子
2.调整卷积核参数
修改步长为10
conv1 = nn.Conv2d(1, 1, 3,stride=10, bias=False)
可见步长增加了之后图片变得模糊了
3.使用不同尺度图片测试
改为下面的图片
模糊：
锐化：
边缘检测：
总结：
有过之前数字图像处理的经验，对这次的作业还是有一定的帮助。这次的作业代码大多都是重复的改一改图片，或者改一改参数。但是认识了很多卷积核，了解了这些卷积核的作用和里面内涵的东西，锐化，模糊，边缘检测，也希望继续在老师的带领下学习卷积网络。
1022
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
