卷积神经网络

一、简单的黑白边界检测

      图像左边为光亮部分，右边为黑暗部分，需要检测出光亮跟黑暗的分界处。 可以设置宽度方 向的卷积核为[1,0,−1]，此卷积核会将宽度方向间隔为1的两个像素点的数值相减。当卷积核在图片上滑动的时候，如果它所覆盖的像素点位于亮度相同的区域，则左右间隔为1的两个像素点数值的差为0。只有当卷积核覆盖的像素点有的处于光亮区域，有的处在黑暗区域时，左右间隔为1的两个点像素值的差才不为0。

import matplotlib.pyplot as plt
import numpy as np
import paddle
from paddle.nn import Conv2D
from paddle.nn.initializer import Assign

#创建初始化权重参数w
w = np.array([1,0,-1],dtype='float32')
w = w.reshape([1,1,1,3])
# 创建卷积算子，设置输出通道数，卷积核大小，和初始化权重参数
# kernel_size = [1, 3]表示kh = 1, kw=3
# 创建卷积算子的时候，通过参数属性weight_attr指定参数初始化方式
# 这里的初始化方式时，从numpy.ndarray初始化卷积参数
conv = Conv2D(in_channels=1,out_channels=1,kernel_size=[1,3],weight_attr=paddle.ParamAttr(initializer=Assign(value=w)))
#in_channels(int) - 输入图像的通道数，initializer参数的初始化方式
# 创建输入图片，图片左边的像素点取值为1，右边的像素点取值为0
img = np.ones([50,50],dtype='float32')
img[:,30:] = 0
x = img.reshape([1,1,50,50])
# 将numpy.ndarray转化成paddle中的tensor
x = paddle.to_tensor(x)
y = conv(x)
# 将输出tensor转化为numpy.ndarray
out = y.numpy()
f = plt.subplot(121)
f.set_title('input image',fontsize=15)
plt.imshow(img,cmap='gray')
f = plt.subplot(122)
f.set_title('output feature map',fontsize=15)
# 卷积算子Conv2D输出数据形状为[N, C, H, W]形式
# 此处N, C=1，输出数据形状为[1, 1, H, W]，是4维数组
# 但是画图函数plt.imshow画灰度图时，只接受2维数组
# 通过numpy.squeeze函数将大小为1的维度消除
plt.imshow(out.squeeze(),cmap='gray')
plt.show()

print(conv.weight)
print(conv.bias)

二、图像中物体边缘检测

import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import paddle
from paddle.nn import Conv2D
from paddle.nn.initializer import Assign
img = Image.open('./images/t019e291f155fcd8840.jpg')

w = np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]],dtype='float32')/8
w = w.reshape([1,1,3,3])
# 由于输入通道数是3，将卷积核的形状从[1,1,3,3]调整为[1,3,3,3]
w = np.repeat(w,3,axis=1)
conv = Conv2D(in_channels=3,out_channels=1,kernel_size=[3,3],weight_attr=paddle.ParamAttr(initializer=Assign(value=w)))
# 将读入的图片转化为float32类型的numpy.ndarray
x = np.array(img).astype('float32')
# 图片读入成ndarry时，形状是[H, W, 3]，
# 将通道这一维度调整到最前面
x = x.reshape(1,3,img.height,img.width)
x = paddle.to_tensor(x)
y = conv(x)
out = y.numpy()
plt.figure(figsize=(15,5))
f = plt.subplot(121)
f.set_title('input image',fontsize=15)
plt.imshow(img)
f = plt.subplot(122)
f.set_title('output feature map',fontsize=15)
plt.imshow(out.squeeze(),cmap='gray')
plt.show()

 

三、图像均值模糊

import paddle
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
from paddle.nn import Conv2D
from paddle.nn.initializer import Assign

img = Image.open('./images/t019e291f155fcd8840.jpg').convert('L')
img = np.array(img)

w = np.ones([1, 1, 5, 5], dtype = 'float32')/25
conv = Conv2D(in_channels=1, out_channels=1, kernel_size=[5, 5],weight_attr=paddle.ParamAttr(initializer=Assign(value=w)))
x = img.astype('float32')
x = x.reshape(1,1,img.shape[0], img.shape[1])
x = paddle.to_tensor(x)
y = conv(x)
out = y.numpy()

plt.figure(figsize=(20, 12))
f = plt.subplot(121)
f.set_title('input image')
plt.imshow(img, cmap='gray')

f = plt.subplot(122)
f.set_title('output feature map')
out = out.squeeze()
plt.imshow(out, cmap='gray')

plt.show()