【22-23 春学期】AI作业7-卷积

1.简单描述卷积、卷积核、多通道、特征图、特征选择概念。

卷积是一种常用的信号处理和深度学习技术，它是将输入数据和卷积核进行卷积操作，得到输出结果的过程。

卷积核是一个固定大小的小矩阵，用来提取原始数据的局部特征。卷积核通常是需要通过训练获得的，在深度学习领域中，常用的卷积核大小是3x3或5x5。

在卷积神经网络中，通常会使用多个卷积核进行卷积操作。这样就可以扩展通道的数量，从而提高模型的表达能力。

特征图是卷积操作的输出结果，它可以看作是对输入数据的抽象和提取，其中每个元素表示经过卷积核提取出的某种特征。

特征选择是卷积神经网络在训练过程中所做的工作，它通常会选择最具代表性的特征，从而实现对数据的有效抽象和分类。特征选择可以帮助网络更加高效地进行学习，从而提高模型的性能。

2.探究不同卷积核的作用，研究背后的原理。

不同尺寸的卷积核可以提取不同尺度的特征。在卷积神经网络中，主要使用3x3和5x5的卷积核，它们分别能够提取较小和较大的特征。

在理解卷积核的作用之前，我们需要先了解一下卷积操作的原理。在卷积操作中，卷积核会在数据的空间维度（通常是二维的图像数据或三维的立体数据）上滑动，对输入数据进行卷积操作，得到输出结果。具体来说，卷积操作会对每个卷积核在数据上的位置进行加权求和，从而得到对应位置的输出。

对于3x3卷积核，它能够从输入数据中提取出相对较小的特征，比如边缘、角点等。这是因为3x3卷积核在空间上的视野范围相对较小，只能够看到输入数据的局部结构，从而提取出局部特征。

而对于5x5卷积核，它的视野范围相对较大，能够看到更多的上下文信息，从而能够提取出更加全局的特征。比如在图像分类任务中，5x5卷积核能够提取出更加复杂的图案、纹理等特征。

此外，对于具有相同卷积核大小的不同数量的卷积核，可以通过并行计算同时提取多个特征来提高模型的表达能力。多个卷积核可以相互协作，在层次化地提取特征的过程中，逐渐提高模型对数据的理解能力和分类能力。

3.编程实现：灰度图的边缘检测、锐化、模糊。

代码：

import cv2

img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE) 

edges = cv2.Canny(img, 100, 200)  

kernel = np.array([[-1,-1,-1],[-1,9,-1],[-1,-1,-1]])

sharpened = cv2.filter2D(img, -1, kernel) 

blurred = cv2.GaussianBlur(img, (5,5), 0) 

cv2.imshow('Original Image', img)

cv2.imshow('Edges', edges)

cv2.imshow('Sharpened', sharpened)

cv2.imshow('Blurred', blurred)

cv2.waitKey(0)

cv2.destroyAllWindows()