🚩 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。

在这里插入图片描述
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。

在这里插入图片描述

🍏 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。

在这里插入图片描述
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()