如何解决使用卷积导出图像会在边缘产生错误的结果
我正在上一门图像处理的在线课程,其中所有问题集都在 MATLAB 中给出。不过,我试图用 Python 解决它们,当我尝试使用卷积和以下内核来计算图像导数时,会得到一些意外的结果:[0.5,-0.5]
。
鉴于行i
,我想使用与g
的卷积来计算列的导数。
image[i,:] = [1,2,3,4]
g = [0.5,-0.5]
inImage_i_conv = np.zeros_like(inImage_i)
for j in range(0,len(inImage_i)-1):
conv = []
for m in range(len(dy)):
l = m-1
conv.append(inImage_i[j-l]*dy[l+1])
inImage_i_conv[j] = np.sum(conv)
,结果为array([-1,1,0])
。
之所以开始使用-1
是因为在j = 0
和l = 1
下,我实际上得到了[-1]
元素,在 Python 中是第n
个元素。
我应该在第0
行(或图像最左边一列的i
列)之前添加0
吗?我应该在左边添加第一个元素的副本吗?
通常的做法是什么?因为我的结果显然是错误的。
解决方法
因此,如果您希望自己纠正卷积,这是一个好的开始。
import numpy as np
def zero_pad(X,pad):
X_pad = np.pad(X,pad,'constant',constant_values=0)
return X_pad
def conv_step(x,W):
return np.sum(np.multiply(x,W))
def conv(s,k):
diff = abs(len(s) - len(k) - 1)
slide = len(k)
# flip kernel
k = k [::-1]
Z = np.zeros(shape=len(s)-diff)
for i in range(Z.shape[0]):
Z[i] = conv_step(s[i:i+slide],k)
return Z
s = [1,2,3,4]
g = [0.5,-0.5]
print(np.convolve(s,g,'same')) # [ 1. 1. 1. -1.5]
print(conv(zero_pad(s,1),g)) # [ 1. 1. 1. -1.5]
您可以看到它返回的内容与内置函数np.convolve
相同。
它遵循卷积的基本步骤,您在https://en.wikipedia.org/wiki/Convolution
- 将矢量填充到所需的长度
- 翻转内核(或输入)
- 创建所需长度的填充矢量
- 对它进行迭代,每次相加后都相乘
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。