前言

  有了图像放大缩小 
    
    
    
，图像灰度化处理等相关基础知识过后
     


     


     


    ，就可以进行图像边缘检测了    
    
    
    。边缘检测最后也会在FPGA上面实现 




 




 




 


，此处小编已经控制不住要剧透了  


     


     


     


。也是一样 

   

   

   

，先从软件的角度来理解这些图像边缘检测算法


 




 




 




。

一    
    
    
    、图像边缘检测

  边缘检测原理如下动态图所示   

   

   

   。假如你有一些别人发明的算子
     

     

     

   ，算子在第二章介绍   

     

     

     

。使用算子在原图上进行扫描  




  




  




  

，算子中的值乘以对应的像素值 


  


  


  


，然后加起来就行了



  




  




  




。你可以使用截图工具
     
     
     
  ，截取动态图   




   




   




   
，计算一下是否正确  


  


  


  。

二  


     


     


     


、边缘检测算子

  算子其实就是滤波器 



 



 



 



，在深度学习里面又叫卷积                ，下面3种算子给出了具体的值
    




    




    




    ，而在卷积神经网络里面



















，卷积核的值是需要训练得到    
     
     
     
。

1. Roberts算子

G

x

=

[

1

−

1

]

G

y

=

[

−

1

1

]

G_x = \begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix} \quad\quad\quad G_y = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}

Gx​=[10​0−1​]Gy​=[01​−10​]

2. Prewitt算子

G

x

=

[

−

1

1

−

1

1

−

1

1

]

G

y

=

[

−

1

−

1

−

1

1

1

1

]

G_x = \begin{bmatrix} -1 & 0 & 1\\ -1 & 0 & 1\\ -1 & 0 & 1 \end{bmatrix} \quad\quad\quad G_y = \begin{bmatrix} -1 & -1 & -1\\ 0 & 0 & 0\\ 1 & 1 & 1 \end{bmatrix}

Gx​=​−1−1−1​000​111​​Gy​=​−101​−101​−101​​

3. Sobel算子

G

x

=

[

−

1

+

1

−

2

+

2

−

1

+

1

]

G

y

=

[

+

1

+

2

+

1

−

1

−

2

1

]

G_x = \begin{bmatrix} -1 & 0 & +1\\ -2 & 0 & +2\\ -1 & 0 & +1 \end{bmatrix} \quad\quad\quad G_y = \begin{bmatrix} +1 & +2 & +1\\ 0 & 0 & 0\\ -1 & -2 & 1 \end{bmatrix}

Gx​=​−1−2−1​000​+1+2+1​​Gy​=​+10−1​+20−2​+101​​

三


 




 




 




、代码实现

# robert算子 robert_x = np.array([[1, 0], [0, -1]]) robert_y = np.array([[0, -1], [1, 0]]) # prewitt算子 prewitt_x = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]]) prewitt_y = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # sobel算子 sobel_x = np.array([[-1, 0, +1], [-2, 0, +2], [-1, 0, +1]]) sobel_y = np.array([[+1, +2, +1], [0, 0, 0], [-1, -2, -1]]) # 图像灰度处理 def weight_gray(image): weight_image = image[:, :, 0] * 0.11 + image[:, :, 1] * 0.59 + image[:, :, 2] * 0.3 weight_image = weight_image.astype(np.uint8) return weight_image # 图像边缘检测 def edge_dimage(image, operator): shape = image.shape h, w = shape sh, sw = operator[0].shape sobel_image = np.zeros(image.shape) for i in range(h - sh): for j in range(w - sw): ix = np.multiply(image[i: i + sh, j: j + sw], operator[0]) iy = np.multiply(image[i: i + sh, j: j + sw], operator[1]) ix = np.sum(ix) iy = np.sum(iy) ig = np.sqrt(ix ** 2 + iy ** 2) sobel_image[i, j] = ig sobel_image = sobel_image.astype(np.uint8) return sobel_image image = cv2.imread("three_body.jpg") gray = weight_gray(image) roimage = edge_dimage(gray, (robert_x, robert_y)) primage = edge_dimage(gray, (prewitt_x, prewitt_y)) sbimage = edge_dimage(gray, (sobel_x, sobel_y)) # 画子图 plt.figure(figsize=(10, 7)) plt.subplot(221) plt.title("gray") plt.imshow(gray, cmap=gray) plt.subplot(222) plt.title("sobel") plt.imshow(sbimage, cmap=gray) plt.subplot(223) plt.title("roberts") plt.imshow(roimage, cmap=gray) plt.subplot(224) plt.title("prewitt") plt.imshow(primage, cmap=gray)

总结

  这大概就是卷积神经网络的由来                ，以前叫做算子
     



     



     



     ，现在叫做卷积




   




   




   




。小编也迫不及待的想要动手实现卷积神经网络了（numpy）


















，敬请期待 



 



 



 。