🚩 前言
最近学到了深度学习的卷积操作，在卷积神经网络出现之前，就已经有使用卷积核（也叫滤波器），但那时的卷积核依靠人工的经验和知识来进行设计，而不能像卷积神经网络中那样让机器自己学习出合适的卷积核参数。
下面就介绍通过卷积来获取图像轮廓图的操作。
🍈 边缘提取原理
卷积
首先，图片是由像素点构成的。卷积的一个基本操作就是对应元素相乘然后再求和的操作，然后卷积核窗口在图片上不断滑动，就会得到一张新的“特征图”。 （我这里解释得比较草率，可以自行仔细了解一下卷积的过程）
用特殊的卷积核进行轮廓提取
这里使用一维的卷积核 [-1, 0, 1]，可以提取图片的垂直边界。实际就是图片中邻近的像素点进行相减操作，边缘处两个像素点的差别很大，于是相减之后得到的值的绝对值就大，这就是我们提取出来的边缘。
效果展示：
通过改变卷积核的大小，可以改变提取出来的边缘的宽度，例如将卷积核改为：[-1, 0, 0, 1]，得到的黑色边缘就更宽了。
🍏 开始轮廓提取
这里使用下图中的卷积核，原理和之前的垂直边缘检测相似。前面的卷积核只能得到垂直边缘，而下图的卷积核则能得到完整的轮廓。
效果展示：
代码
我这里卷积是通过 paddle 的库实现的，因此需要先安装 paddle。安装教程参加：paddle安装教程。
如果觉得安装太麻烦也没关系，可以试试 AI Studio 的在线环境，已经内置了 paddle 库：AI Studio。点击项目->创建项目，就可以开始使用啦！
导入依赖：
import matplotlib.pyplot as plt from PIL import Image import numpy as np import paddle from paddle.nn import Conv2D from paddle.nn.initializer import Assign
通过调整代码img = img.resize((200, 200), Image.ANTIALIAS)括号中的数值，你将得到不同的轮廓提取效果！（数值控制图片的尺寸）
卷积核不变时，图片尺寸越大，提取的轮廓也就相对显得越细，就越不明显。而图片尺寸小时又会显得模糊，像打了马赛克。
运行代码：
# 输入图片 img = Image.open('喵喵头像.jpg') # 图片放在py文件相同目录下 img = img.resize((200, 200), Image.ANTIALIAS) # 采样，以得到指定大小的图片 # 设置卷积核参数 w = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]], dtype='float32')/8 w = w.reshape([1, 1, 3, 3]) w = np.repeat(w, 3, axis=1) # 在通道上复制，得到[1,3,3,3] # 创建卷积算子 conv = Conv2D(in_channels=3, out_channels=1, kernel_size=[3, 3], weight_attr=paddle.ParamAttr( initializer=Assign(value=w) )) # 转换图片格式 x = np.array(img).astype('float32') # 读入shape[H,W,C] x = np.transpose(x, (2, 0, 1)) # 交换维度 x = x.reshape((1, x.shape[-3], x.shape[-2], x.shape[-1])) # Conv2D的输入需为四维张量 x = paddle.to_tensor(x) # 卷积运算 y = conv(x) out = y.numpy() # 画图 plt.figure(figsize=(20, 10)) f = plt.subplot(121) f.set_title('input image', fontsize=15) plt.imshow(img) f = plt.subplot(122) f.set_title('output image', fontsize=15) plt.imshow(out.squeeze(), cmap='gray') plt.show()
