人工智能基础作业4 CNN-卷积

目录

一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。

二、探究不同卷积核的作用，研究背后的原理。

三、编程实现：

1.经典卷积核，实现灰度图的边缘检测、锐化、模糊。

2.调整经典卷积核参数，测试并总结。

3.使用不同尺寸图片，测试并总结。

4.探索更多类型卷积核。

5.尝试彩色图片边缘检测。

【总结】本次课程的收获，编程实践的心得体会。

参考博客

---

一、简单描述卷积、卷积核、多通道、特征图、特征选择概念。

 卷积：图像中像素点具有很强的空间依赖性，卷积（convolution）就是针对像素点的空间依赖性来对图像进行处理的一种技术。

 卷积核：卷积核是一个二维矩阵，矩阵中数值为对图像中与卷积核同样大小的子块像素点进行卷积计算时所采用的权重。

 多通道：CNN中的一次性卷积要处理的多组数据。

 特征图：卷积滤波结果在卷积神经网络中被称为特征图（feature map）

 特征选择：寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant )的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。

二、探究不同卷积核的作用，研究背后的原理。

如果是单通道（一般图像为RGB三个通道）的图像，卷积核是一个二维矩阵，在原图像上按照该二维矩阵进行矩阵计算：

 

• 卷积核的各个元素值一般相加等于1，这样做的原因是保证原图像经过卷积核的作用亮度保持不变(但该原则不是必须)。

1.与原图像保持不变

 2.锐化

对图片进行锐化操作，也就是让图像的边缘更加锐利。

该卷积核就是计算中心位置像素与周围像素的差值，差值越大则表示该元素附近的变化越大（频率越大），输出值也就越大。锐化卷积核元素总和如果是0，则有提取图像边缘信息的效果。

 

三、编程实现：

1.经典卷积核，实现灰