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
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
'''''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 npimport tensorflow as tfmyimg = 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 mao=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
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：这里用到了tensorflow模块，可使用pip命令安装：
|
1
|
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）。
更新pip到最新版本：
|
1
|
python -m pip install --upgrade pip |
PS：截至目前，tensorflow尚不支持python3.6版本，建议使用兼容性较好的Python3.5版本
希望本文所述对大家Python程序设计有所帮助。
原文链接：https://blog.csdn.net/chengqiuming/article/details/80289147
