Python实现使用卷积提取图片轮廓功能示例资源-CSDN文库

146 浏览量 2021-01-21 17:31:57 上传评论 2 收藏 131KB PDF 举报

资源推荐

资源详情

资源评论

Python实现使用卷积提取图片轮廓功能示例实现使用卷积提取图片轮廓功能示例

本文实例讲述了Python实现使用卷积提取图片轮廓功能。分享给大家供大家参考，具体如下：

一、实例描述一、实例描述

将彩色的图片生成带边缘化信息的图片。

本例中先载入一个图片，然后使用一个“3通道输入，1通道输出的3*3卷积核”（即sobel算子），最后使用卷积函数输出生成的结果。

二、代码二、代码

'''''

载入图片并显示

首先将图片放到代码的同级目录下，通过imread载入，然后将其显示并打印出来

'''

import matplotlib.pyplot as plt # plt 用于显示图片

import matplotlib.image as mpimg # mpimg 用于读取图片

import numpy as np

import tensorflow as tf

myimg = mpimg.imread('2.jpg') # 读取和代码处于同一目录下的图片

#myimg = mpimg.imread('img.jpg') # 读取和代码处于同一目录下的图片

plt.imshow(myimg) # 显示图片

plt.axis('off') # 不显示坐标轴

plt.show()

print(myimg.shape)

'''''

上面这段代码输出(960, 720, 3)，可以看到，载入图片的维度是960*720大小，3个通道

'''

'''''

这里需要手动将sobel算子填入卷积核里。使用tf.constant函数可以将常量直接初始化到Variable中，因为是3个通道，所以sobel卷积核的每个元素都扩成了3个。

注意：sobel算子处理过的图片并不保证每个像素都在0~255之间，所以要做一次归一化操作（即将每个值减去最小的结果，再除以最大值与最小值的差），让生成的值都在[0,1]之间，然后在乘以255

'''

#full=np.reshape(myimg,[1,3264,2448,3])

full=np.reshape(myimg,[1,960,720,3])

#inputfull = tf.Variable(tf.constant(1.0,shape = [1, 3264, 2448, 3]))

inputfull = tf.Variable(tf.constant(1.0,shape = [1, 960, 720, 3]))

filter = tf.Variable(tf.constant([[-1.0,-1.0,-1.0], [0,0,0], [1.0,1.0,1.0],

[-2.0,-2.0,-2.0], [0,0,0], [2.0,2.0,2.0],

[-1.0,-1.0,-1.0], [0,0,0], [1.0,1.0,1.0]],shape = [3, 3, 3, 1]))

#步长为1*1,padding为SAME表明是同卷积的操作。

op = tf.nn.conv2d(inputfull, filter, strides=[1, 1, 1, 1], padding='SAME') #3个通道输入，生成1个feature ma

o=tf.cast( ((op-tf.reduce_min(op))/(tf.reduce_max(op)-tf.reduce_min(op)) ) *255 ,tf.uint8)

with tf.Session() as sess:

sess.run(tf.global_variables_initializer() )

t,f=sess.run([o,filter],feed_dict={ inputfull:full})

#print(f)

#t=np.reshape(t,[3264,2448])

t=np.reshape(t,[960,720])

plt.imshow(t,cmap='Greys_r') # 显示图片

plt.axis('off') # 不显示坐标轴

plt.show()

三、运行结果三、运行结果

四、说明四、说明

可以看出，sobel的卷积操作之后，提取到一张含有轮廓特征的图像。

再查看一下图片属性

注：注：这里用到了tensorflow模块，可使用pip命令安装：

pip install tensorflow

如果遇到以下红字错误，可以看到提示更新pip到更新的版本（不报错可直接跳过到下一标题）。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

内容反馈

weixin_38698927

粉丝: 7
资源: 980

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip