建站的步骤,重庆网站建设报价,精品资料网资料大全,百度竞价 百度流量 网站权重目录 问题引入
解释
卷积
滤波 问题引入
卷积和滤波是很相似的#xff0c;都是利用了卷积核进行操作
那么他们之间有什么区别呢#xff1f; 卷积#xff1a;会影响原图大小 滤波#xff1a;不会影响原图大小 解释
卷积
我们用这样一段代码来看
import torch.nn as …目录 问题引入
解释
卷积
滤波 问题引入
卷积和滤波是很相似的都是利用了卷积核进行操作
那么他们之间有什么区别呢 卷积会影响原图大小 滤波不会影响原图大小 解释
卷积
我们用这样一段代码来看
import torch.nn as nn
import torch
x torch.rand(3,5,5)
print(x.shape)
# 卷积
conv nn.Conv2d(3,3,kernel_size3,stride1)
y conv(x)
print(y.shape) 我们可以看见图像的大小出现了变换,因为卷积操作舍去了一部分(这里是卷积最基本的原理大家都明白) 滤波
我们也同样先用一段代码来展示
import cv2img cv2.imread(te.png)
print(img.shape)
# print(img[:5,:,0])img1 cv2.blur(img,(3,3))
print(img1.shape)
# print(img1[:5,:,0])img2 cv2.GaussianBlur(img,(3,3),1)
print(img2.shape)
# print(img2[:5,:,0])img3 cv2.medianBlur(img, 3)
print(img3.shape)
# print(img3[:5,:,0]) 我们可以看见图像的大小都没有发生变换这是为什么呢
原因: 滤波操作会保留图像的原大小 这句话怎么理解呢我们来看下面的滤波的原理
我们以均值滤波为例子
img1 cv2.blur(img,(3,3))
我们的卷积核设为3x3的
其实要理解这个很简单主要看看是如何保留边缘的像素点的
如图所示以18为中心3x3的区域左上角的18就会替换为:(185455121)/4 没有的就都不用计算 因此其大小不会发生改变把每个像素点都照顾到了
