卷积函数的使用——使用卷积提取图片的轮廓

使用卷积提取图片的轮廓

简介：
       使用sobel算子，将彩色图片生成带有边缘化信息的图片。本例先载入一张图片，然后使用一个“3通道输入，1通道输出的3x3卷积核”（也就是sobel算子），因为是彩色（三通道）图片，所以使用是三通道。

1.首先载入图片：‘

%matplotlib inline  
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf

mying=plt.imread('lena.jpg')
plt.imshow(mying)
plt.axis('off') #不加横纵坐标轴
plt.show()
print(mying.shape)

结果;

从结果上看，载入的图片的大小是256x256，通道是3.

2.定义占位符，卷积核，卷积op

• 首先利用np.reshape（）函数将图片转为一维数组，长度为4，因为tf.conv2d()函数input要求是一维长度是4,含义如下：
  [训练时一个batch的图片数量，图片高度，图片宽度，图像通道数]
• 用占位符定义一个tf变量（形状必须也图片一致），以便后面将转为数组的图片放进去，转为tf.conv2d需要的张量（input是一个张量）
• 定义卷积核，形状要求是[3,3,3,1],即卷积核大小3x3，输入通道3，输出通道1.
• 调用卷积函数tf.conv2d，步长设置为[1,1,1,1],其中卷积核移动步长为1x1，其他的1，首位是样本上的步长，尾部的是通道上步长，通常都默认为1.
  -由于sobel算子处理过的图片不能保证每一个像素都在0-255之间，对于区间外的像素点会导致灰度图无法显示，所以要将特征图归一化，归一化后都能保证每一个像素点都在[0,1]之间，然后再乘以255，就能保证像素点在0-256之间了。
  归一化的公式：x=(x-min)/(max-min)

full=np.reshape(mying,[1,256,256,3]) # 将图片转换指定形状的数组
inputfull=tf.Variable(tf.constant(1.0,shape=[1,256,256,3]))  #定义了一个指定形状的变量，并用1初始化

filter=tf.Variable(tf.constant([[-1.0,-1.0,-1.0],[0,0,0],[1.0,1.0,1.0],
                               [-2.0,-2.0,-2.0],[0,0,0],[2.0,2.0,2.0],
                               [-1.0,-1.0,-1.0],[0,0,0],[1.0,1.0,1.0]],
                              shape=[3,3,3,1]))

op=tf.nn.conv2d(inputfull,filter,strides=[1,1,1,1],padding='SAME')
o=tf.cast(((op-tf.reduce_min(op))/(tf.reduce_max(op)-tf.reduce_min(op)))*255,tf.uint8)

3.运行卷积操作并显示

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

t,f=sess.run([o,filter],feed_dict={inputfull:full})#t:归一化后的特征图   f:滤波器
    t=np.reshape(t,[256,256])  #因为特征图是四维的，要显示出来就要转为二维的图像
    print(t)
    plt.imshow(t,'Greys_r')#显示灰度图像
    plt.axis('off')
    plt.show()

结果：