CNN卷积神经网络的原理——卷积操作效果展示

最新推荐文章于 2023-06-22 13:22:42 发布

vIparHa? je

最新推荐文章于 2023-06-22 13:22:42 发布

阅读量851

点赞数

文章标签：深度学习神经网络卷积计算机视觉人工智能

本文链接：https://blog.csdn.net/qq_46076749/article/details/109581317

版权

本文介绍了卷积神经网络（CNN）中的卷积操作，通过OpenCV展示了卷积如何影响图像特征。卷积核用于提取图像特征，不同的核设计可以强化不同方向的特征。卷积参数如步长(stride)、深度(depth)和填充(padding)影响着数据量和特征提取。卷积的主要目的是减少数据量并强化关键信息，CNN通过训练找到合适的卷积核以识别不同特征。

摘要由CSDN通过智能技术生成

卷积神经网络其实即使模仿人类识别图像的过程人眼看东西首先看到轮廓，然后注意到其他细节。
计算机只能识别图片像素的数值，神经网络则会通过卷积核提取图像的不同特征，将特征组合到一起识别人脸或者其他物体

神经网络中的卷积核准确的讲叫特征提取器
数学原理是对一组数据应用一个变化然后得到另一个数据的过程

通过OpenCV展示卷积效果

import cv2 as cv
import numpy as np

img = cv.imread('../day07/img/lena.jpg')
cv.imshow("img", img)

kernel = np.array([
     [1/9,1/9,1/9],
    [1/9,1/9,1/9],
    [1/9,1/9,1/9]
])
src = cv.filter2D(img,-1, kernel)# 使用一个2维的卷积核去处理图像
cv.imshow("src",src)
cv.waitKey()