标签: convolution

我是卷积方面的菜鸟，我正在使用Python。我正在尝试将一维数组与一维高斯进行卷积，我的数组是

B = [0.011,0.022,.032,0.027,0.025,0.033,0.045,0.063,0.09,0.13,0.17,0.21]。

高斯的 FWHM 是 5。所以我计算出 sigma 现在5/2.385 = ~2.09，我有 2 个选择：

1. 使用高斯标准方程生成高斯核并使用 np.convolve(array, Gaussian) 我使用的高斯方程

2. 使用scipy.ndimage.gaussian_filter1d 由于两者都是卷积任务，理论上两者应该给出相似的输出。但事实并非如此。为什么会这样呢？

我附上了一张图像，其中绘制了该阵列与另一个等距阵列的关系

A = [1.0, 3.0, 5.0, 7.0, 9.0, 11.0, 13.0, 15.0, 17.0, 19.0, 21.0, 23.0]。

数组 (B) 相对于等距数组 (A) 绘制 基本上，我想将convolved array和non-convolved数组一起绘制到 与 之间A。我该怎么做？

我正在尝试使用卷积从图像中提取特征img。

img_copy = np.copy(img)
x = img_copy.shape[0]
y = img_copy.shape[1]

matrix = [[-1, -2, -1], [0, 0, 0], [1, 2, 1]] # convolution matrix
weight = 1

def conv(x, y):
    val = 0.0
    for row,i in enumerate([-1, 0, 1]):
        for col,j in enumerate([-1, 0, 1]):
            val = val + img[x+j, y+i]*matrix[row, col]
    val = val*weight

    return val

for i in range(1, x-1):
    for j in range(1, y-1):
        pixel = conv(i, j)
        if(pixel<0):
            pixel = 0
        if(pixel>255):
            pixel = …

我正在尝试为信号实现一维卷积。

它应该具有与以下内容相同的输出：

ary1 = np.array([1, 1, 2, 2, 1])
ary2 = np.array([1, 1, 1, 3])
conv_ary = np.convolve(ary2, ary1, 'full')

>>>> [1 2 4 8 8 9 7 3]

我想出了这个方法：

def convolve_1d(signal, kernel):
    n_sig = signal.size
    n_ker = kernel.size
    n_conv = n_sig - n_ker + 1

    # by a factor of 3.
    rev_kernel = kernel[::-1].copy()
    result = np.zeros(n_conv, dtype=np.double)
    for i in range(n_conv):
        result[i] = np.dot(signal[i: i + n_ker], rev_kernel)
    return result

但我的结果是[8,8]我可能必须对数组进行零填充并更改其索引。

有没有更顺利的方法来达到预期的结果？

Matlab/Octave 使用哪种方法conv2函数？

是吗：

• 快速傅立叶变换
• 3 个或更多 for 循环，例如经典迭代
• 其他？

我正在寻找最快的方法conv2。我将为它编写 C 代码。

我的主要目标是证明卷积定理有效(只是提醒一下:卷积定理意味着idft(dft(im) .* dft(mask)) = conv(im, mask)).我正在尝试编程.

这是我的代码:

function displayTransform( im )
% This routine displays the Fourier spectrum of an image.
% 
% Input:      im - a grayscale image (values in [0,255]) 
% 
% Method:  Computes the Fourier transform of im and displays its spectrum,
%                    (if F(u,v) = a+ib, displays sqrt(a^2+b^2)).
%                    Uses display techniques for visualization: log, and stretch values to full range,
%                    cyclic shift DC to center (use fftshift).
%                    Use showImage to display …

在Tensorflow文档中,tf.nn.conv2d-operation被描述为:

1. 将滤光片压平成具有形状的二维矩阵[filter_height * filter_width * in_channels, output_channels].
2. 从输入张量中提取图像块以形成虚拟的形状张量[batch, out_height, out_width, filter_height * filter_width * in_channels].
3. 对于每个补丁,右对乘滤波器矩阵和图像补丁矢量.

是否有适用的操作只是第2步？我在API文档中找不到类似的东西.我可能会用错误的关键字搜索.

我在Ubuntu下成功编译了Caffe，并开始研究如何定义和训练自己的网络。但是，我很难理解卷积层如何产生其输出。例如，LeNet MNIST教程（tutorial，lenet.prototxt）的第二个卷积层（conv2 ）具有20个输入图像和50个输出图像：

layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

如何O_0, ..., O_49计算输出图像？我的直觉是，它的工作方式如下（I_i输入图像，K_j内核，B_k偏差，*卷积运算符）：

O_0 = I_0 * K_0 + ... + I_19 * K_19 + B_0
O_1 = I_0 * K_20 + ... …

我想在这里运行CIFAR10图像分类PyTorch教程- http://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-py

我做了一个小的更改，并且我使用了另一个数据集。我有Wikiart数据集中要按艺术家分类的图像（标签=艺术家名称）。

这是网络的代码-

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16*5*5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

然后在代码的这一部分中，我开始训练网络。

for epoch in range(2):
     running_loss = 0.0

     for i, data in enumerate(wiki_train_dataloader, 0):
        inputs, labels = data['image'], data['class']
        print(inputs.shape) …

我指的是在这个链接https://richliao.github.io/supervised/classification/2016/11/26/textclassifier-convolutional上“使用 CNN 进行文本分类”的实现。在“简化的卷积”一节中，他们使用了以下 keras 层：

Conv1D(128, 5, activation='relu')

根据我的理解，没有参数应该是 5*100*128=64,000。但是模型摘要显示了 64,128 个参数。

有人可以帮助我了解我的计算错误在哪里吗？

我正在使用FFT实现二维卷积。这是我的代码：

img = im2single(imread('dog.bmp'));
filter = fspecial('gaussian', 53, 3);
F = fft2(img);
mask = fft2(filter, size(img, 1), size(img, 2));
filtered_img = ifft2(F .* mask);
imshow(real(filtered_img));

这是原始图像：

结果在这里：

为什么会这样？我该如何解决？请帮我。非常感谢。