在卷积神经网络中，才用卷积技术实现对图片的降噪和特征提取。

一般我们构建卷积神经网络都是使用成熟的框架，今天我就来自己实现一下卷积，并使用不同的卷积核来看看效果。

 

卷积操作的原理可以由下图表示：

 一个3*3的卷积核，以滑动窗口的形式在图片上滑动，每滑动一次，就计算窗口中的数据的加权之和，权值就是卷积核的数据。

通过这个过程将图片进行转化。

 

准备图片数据：

 使用PIL库读取图片：

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np

读取图片，并可视化：

img = Image.open('金鱼姬.jpg')
plt.axis("off")
plt.imshow(img)

 以灰度显示图片：

gray = img.convert('L')
plt.figure()
plt.imshow(gray, cmap='gray')
plt.axis('off')

 

 RGB三通道数据分离：

r, g, b = img.split()

        三色通道可视化：

plt.imshow(r, cmap='gray')
plt.axis('off')

 将图片数据转化为np矩阵：

np.array(img)
np.array(r)
np.array(g)
np.array(b)

单通道数据（r）：

array([[ 52,  58,  55, ..., 139, 133,  91],
       [ 46,  53,  52, ..., 140, 138, 103],
       [ 45,  53,  52, ..., 142, 144, 119],
       ...,
       [ 40,  37,  37, ...,  60,  61,  47],
       [ 39,  36,  37, ...,  56,  58,  48],
       [ 35,  33,  35, ...,  54,  57,  48]], dtype=uint8)

定义卷积核：

#定义卷积核（3*3）
k = np.array([
    [0,1,2],
    [2,2,0],
    [0,1,2]
])

我们使用单通道图片数据进行卷积：

data = np.array(r)
n,m = data.shape

       可以看到，图片的大小为：720*1280

 

关键点来了，定义卷积函数（二维）：

def convolution(k, data):
    n,m = data.shape
    img_new = []
    for i in range(n-3):
        line = []
        for j in range(m-3):
            a = data[i:i+3,j:j+3]
            line.append(np.sum(np.multiply(k, a)))
        img_new.append(line)
    return np.array(img_new)

采用双循环遍历图片数据，line存储一行卷积后的数据，img_new记录每一行卷积后的数据，形成新的图片

 

下面来看一看卷积结果：

img_new = convolution(k, data)#卷积过程

#卷积结果可视化
plt.imshow(img_new, cmap='gray')
plt.axis('off')

 因为卷积结果和卷积核有密切关系，虽然上图看上去没他大的区别，那是因为卷积核的关系。

 

我们来使用常见的几种卷积核来看看结果：

卷积核1：垂直边缘检测

k1 = np.array([
    [1,0,-1],
    [1,0,-1],
    [1,0,-1]
])

可以看到，图片中物体的纵向边界特征被提取出来，而其他的特征被弱化了

 

卷积核2：水平边缘检测

k2 = np.array([
    [1,1,1],
    [0,0,0],
    [-1,-1,-1]
])

可以看出，横向特征被凸显。

我们换一个，纵向特征比较明显的图片来试一下：

 例如该图中有很多竖向的扶手，我们看看他的卷积后的效果：

垂直边缘检测：

水平边缘检测：

这样看，特征就很明显了。

通过卷积后的图片，大小变化了，可以使用零填充技术使得输出图片和原图片大小一致，这里就不实现了，本文主要是实现卷积过程。

还有其他常用的卷积核，以下分别展示一下各自的效果：

 

sobel滤波（纵向，横向）：

scharr滤波（纵向，横向）：

 大家猜猜，最后我使用的是出自哪里的图片吧！