边缘检测分正边负边，多种过滤器及其特点与应用,菏泽台州网站建设
栏目：网络营销 发布时间：2025-02-02
实际上，边缘检测分为正和负边。详细说明，它指的是从光到黑暗到黑暗到光线之间的差异。卷积操作后，我们可以区分两者。如下所示： 除上述过滤器外，研究人员还提 ... 边缘检测分正边负边，多种过滤器及其特点与应用
实际上，边缘检测分为正和负边。详细说明，它指的是从光到黑暗到黑暗到光线之间的差异。卷积操作后，我们可以区分两者。如下所示：
除上述过滤器外，研究人员还提出了许多其他过滤器，例如SOBEL过滤器，过滤器等。这些不同的过滤器具有不同的特征。对于垂直过滤器，我们通常将过滤器的左侧占据正值，中间为0，右侧为负值。实际上，也很容易地发现我们只需要以90度的顺时针将垂直过滤器翻转即可获得水平过滤器。
我们可以通过设计这些过滤器来从图像中提取不同的功能，但是此过程更为复杂。好消息是，在深度学习中，我们不一定需要自己设计此过滤器。我们可以将矩阵中的9个数字用作9个参数，并使用反向通信算法来了解这9个参数。因此，实现了过滤器的学习和设计。反向通信算法设计的这种过滤器具有更强的数据捕获能力，并且可以检测到45度，75度，73度甚至任何角度的边缘。
4，，
对于具有n nn*nn*nn*n的图像，当使用F -FF*ff*f的滤波器用作卷积时，输出结果为（n -f+1）∗（n -f（n -f（n -f（n n -f（ n-f）（n-f）+1）（n-f+1）*（n-f+1）（n-f+1）*（n-f+1）。
从这个角度来看，我们使用卷积操作带来了两个缺点：
分析了这两个问题的原因，我们发现，由于减少了卷积操作以减少图像的检测区域，以解决这两个问题，因此我们填写了在卷积操作之前需要处理的图像。圆0，填充0不会影响图像的性质，但是它可以在卷积图像之后形成图像与原始图像相同的大小。这个操作是。如果我们填充的数字为p，则输出大小将变为（n+2p-f+1）∗（n+2p-f+1）（n+2pp-f+1）*（n+2pp-f +1） （n+2p）f+1）∗（n+2p -f+1）。 *
根据像素数量的差异，我们将卷积分为有效的卷积和相同的卷积：
5。杂乱的步骤
在卷积期间，我们还可以设置每个机芯卷积内核之间的距离。我们称之为卷积长度的距离，即。
如果我们输入的图像大小为n ∗ nn*nn ∗ n，则过滤器大小为f ∗ ff*ff*ff*f，ppp，step（）为sss，输出大小为：（n+ 2p -fs+ 1 ）+（n+2p ∗ fs+1）\ left（\ frac {n+2p-f} {s+1}}}} \ right）*\ left（\ frac {n+2p-f} {s+1} \ right）（s+1n+2p -f）∗（s+1n+2p -f）
如果我们获得的业务不是整数，我们使用地板功能将其删除。此操作可以确保我们的卷积内核必须在图像中，否则将不会执行。
6。为什么卷积有效
在三维卷积中，我们必须使卷积内核通道数量与输入图像的通道数相同。同时，输出图像的通道数是所使用的卷积内核的数量。计算该公式。
三个维图像的卷积基本上与上一个介绍相同。对于下面所示的BGR图像，我们使用3*3*33*3*3*33*3*3*3尺寸卷积核来说服它。三个3 3 33*33*3计算红色，绿色和蓝色通道中的数量数量以获得最终结果。
如果我们想同时检测多个边，我们可以同时使用多个过滤器。如下图所示，为了实现垂直边缘和水平边缘的相同检测，我们使用两个过滤器，一个滤波器用于检测水平边缘，另一个用于检测垂直边缘。
更普遍的是，如果输入图像的大小为n ∗ n ∗ n ∗ ncn*n*n_cn ∗ n ∗ nC，我们使用f ∗ f ∗ f ∗ ncf*f*f*n_cf*f ∗ f ∗ nc的大小的大小。对于卷积，当卷积中没有链接并且卷积长度为1时，输出图像大小为（n-f+1）∗（n-f+1）∗ n'c（n-f+1 ）*（n-f+1）*n'_c（n-f+1）∗（n-f+1）∗ n'c，n'cn'_cn'c是过滤器的数量。
7。单层卷积神经网络
除上述过滤器外，研究人员还提出了许多其他过滤器，例如SOBEL过滤器，过滤器等。这些不同的过滤器具有不同的特征。对于垂直过滤器，我们通常将过滤器的左侧占据正值，中间为0，右侧为负值。实际上，也很容易地发现我们只需要以90度的顺时针将垂直过滤器翻转即可获得水平过滤器。
我们可以通过设计这些过滤器来从图像中提取不同的功能，但是此过程更为复杂。好消息是，在深度学习中，我们不一定需要自己设计此过滤器。我们可以将矩阵中的9个数字用作9个参数，并使用反向通信算法来了解这9个参数。因此，实现了过滤器的学习和设计。反向通信算法设计的这种过滤器具有更强的数据捕获能力，并且可以检测到45度，75度，73度甚至任何角度的边缘。
4，，
对于具有n nn*nn*nn*n的图像，当使用F -FF*ff*f的滤波器用作卷积时，输出结果为（n -f+1）∗（n -f（n -f（n -f（n n -f（ n-f）（n-f）+1）（n-f+1）*（n-f+1）（n-f+1）*（n-f+1）。
从这个角度来看，我们使用卷积操作带来了两个缺点：
分析了这两个问题的原因，我们发现，由于减少了卷积操作以减少图像的检测区域，以解决这两个问题，因此我们填写了在卷积操作之前需要处理的图像。圆0，填充0不会影响图像的性质，但是它可以在卷积图像之后形成图像与原始图像相同的大小。这个操作是。如果我们填充的数字为p，则输出大小将变为（n+2p-f+1）∗（n+2p-f+1）（n+2pp-f+1）*（n+2pp-f +1） （n+2p）f+1）∗（n+2p -f+1）。 *
根据像素数量的差异，我们将卷积分为有效的卷积和相同的卷积：
5。杂乱的步骤
在卷积期间，我们还可以设置每个机芯卷积内核之间的距离。我们称之为卷积长度的距离，即。
如果我们输入的图像大小为n ∗ nn*nn ∗ n，则过滤器大小为f ∗ ff*ff*ff*f，ppp，step（）为sss，输出大小为：（n+ 2p -fs+ 1 ）+（n+2p ∗ fs+1）\ left（\ frac {n+2p-f} {s+1}}}} \ right）*\ left（\ frac {n+2p-f} {s+1} \ right）（s+1n+2p -f）∗（s+1n+2p -f）
如果我们获得的业务不是整数，我们使用地板功能将其删除。此操作可以确保我们的卷积内核必须在图像中，否则将不会执行。
6。为什么卷积有效
在三维卷积中，我们必须使卷积内核通道数量与输入图像的通道数相同。同时，输出图像的通道数是所使用的卷积内核的数量。计算该公式。
三个维图像的卷积基本上与上一个介绍相同。对于下面所示的BGR图像，我们使用3*3*33*3*3*33*3*3*3尺寸卷积核来说服它。三个3 3 33*33*3计算红色，绿色和蓝色通道中的数量数量以获得最终结果。
如果我们想同时检测多个边，我们可以同时使用多个过滤器。如下图所示，为了实现垂直边缘和水平边缘的相同检测，我们使用两个过滤器，一个滤波器用于检测水平边缘，另一个用于检测垂直边缘。
更普遍的是，如果输入图像的大小为n ∗ n ∗ n ∗ ncn*n*n_cn ∗ n ∗ nC，我们使用f ∗ f ∗ f ∗ ncf*f*f*n_cf*f ∗ f ∗ nc的大小的大小。对于卷积，当卷积中没有链接并且卷积长度为1时，输出图像大小为（n-f+1）∗（n-f+1）∗ n'c（n-f+1 ）*（n-f+1）*n'_c（n-f+1）∗（n-f+1）∗ n'c，n'cn'_cn'c是过滤器的数量。
7。单层卷积神经网络