四、卷积神经网络
4.1 卷积与图像去噪
里面每一个1/9 做成一个模板称为卷积核:
注:在卷积的过程中,要把卷积核(模板)翻转180°再进行滤波;如果没有翻转称为相关。
1、卷积的性质:
叠加性:filter(f1+f2)=filter(f1)+filter(f2)
平移不变形:filter(shift(f))=shift(filter(f))
交换律、结合律、分配率、标量
卷积操作后的图像要小于输入时图像,通过边界填充,可以实现卷积前后图像尺寸不变。
注:深度学习在边界全填充0称为zero padding,还可以拉伸或者镜像填充。
卷积是图像处理中一个基础而重要的图像操作,可以实现平移、平滑、锐化…
2、高斯卷积核(高斯滤波:线性滤波器):
高斯卷积核(解决平均卷积存在的问题)
卷积核参数小结:
高斯卷积核的特性:
1,去除图像中的“高频”成分(低通滤波器)。
2,俩个高斯卷积核卷积后得到的还是高斯卷积核。
(1)使用多次小方差卷积核连续卷积,可得到与大方差卷积核相同的结果。
(2)使用标准差为σ 的高斯核进行俩次卷积与使用标准差σ√2 的高斯核进行一次卷积相同。(√σ1²+σ2²)
3,可分离,可分解为两个一维高斯的乘积。
卷积操作的运算量:用尺寸m x m的卷积核卷积一个尺寸n x n的图像,计算复杂度为 O(n²m²)
3、图像噪声与中值滤波器(非线性滤波器):
高斯噪声:
减小高斯噪声:高斯噪声比较大的时候σ ,也使卷积核σ 也大。
通过高斯卷积去噪去不掉椒盐噪声和脉冲噪声。
中值滤波器(非线性滤波器):
4.2 卷积与边缘提取
边缘的种类:
梯度的模值 :模值越大,说明是边缘的可能性越大。
噪声对求边缘的影响:
改进:对高斯卷积核先求导,节省了一次卷积
总结:
非极大值抑制(让边变细):
Canny边缘检测器(双阈值)(解决有噪声的边):
4.3 纹理表示
1、基于卷积核组的纹理表示法:
思路:利用卷积核组提取图像中的纹理基元;利用基元的统计信息来表示图像中的纹理。(边不好描述纹理)
2、纹理分类任务(忽略纹理的位置):
关注出现哪种基元对应的纹理以及基元出现的频率。
图像表示向量的维数和卷积核个数相同。
3、卷积核组的设计:
**设计重点:**1、卷积核类型(边缘、条形以及点状)2、卷积核尺度(3-6个尺度)3、卷积核方向(6个角度)
下面我们把纹理表示(纹理核生成的过程交给卷积神经网络)
4、卷积神经网络:
全连接神经网络的瓶颈:
卷积神经网络组成:CONV(卷积层)、RELU(激活层)、POOL(池化层)、FC(全连接层)
卷积网络中的卷积核(HxWxD维):
注:卷积核中的D 等于前面图像决定的。
卷积步长:
换算关系:
考虑边界填充(解决越卷越小的问题):
填多少保持与之前大小不变:
卷积层设计总结:
池化层(把特征图尺寸变小):
池化作用:(把特征图尺寸变小)对每一个特征响应图独立进行,降低特征响应图组中每个特征响应图的宽度和高度,减少后续卷积层的参数的数量,降低计算资源耗费,进而控制过拟合。
eg:图中最大池化后,特征响应图中的75%的响应信息都丢掉,但不改变特征响应图的个数。