Python 如何正确应用带有卷积层的3x3滤波器?
我试图将一个简单的拉普拉斯滤波器(3x3)应用于图像,但得到的输出非常嘈杂Python 如何正确应用带有卷积层的3x3滤波器?,python,tensorflow,convolution,Python,Tensorflow,Convolution,我试图将一个简单的拉普拉斯滤波器(3x3)应用于图像,但得到的输出非常嘈杂 import tensorflow as tf import PIL.Image as pil import numpy as np k = tf.constant([[1, 1, 1],[1, -8, 1],[1, 1, 1]], dtype=tf.float32) image = tf.placeholder(dtype=tf.float32, shape=[None, None, None, 1]) kern
import tensorflow as tf
import PIL.Image as pil
import numpy as np
k = tf.constant([[1, 1, 1],[1, -8, 1],[1, 1, 1]], dtype=tf.float32)
image = tf.placeholder(dtype=tf.float32, shape=[None, None, None, 1])
kernel = tf.reshape(k, [3, 3, 1, 1], name='kernel')
res = tf.squeeze(tf.nn.conv2d(image, kernel, [1, 1, 1, 1], "SAME"))
with tf.Session() as sess:
img = pil.open('grey.png')
array = np.asarray(img).reshape(1, img.size[0], img.size[1], 1)
out = sess.run(res, feed_dict={image:array})
reverted = ((pil.fromarray(np.uint8(out))).convert('L')).save('testing.png')
卷积应用正确。问题在于图像反向转换。也就是说,你应用一个带有一些负值的过滤器,中间的<强> -8 < /强>。这意味着许多卷积像素将有一个负的结果值,然后在完成后将其转换为
np.uint8
。因此,-1将变为255,因此1和-1将具有与之相关的截然不同的光值。这导致了这种模式
更改以下两行:
array = np.asarray(img, dtype = np.float32 ).reshape(1, img.size[0], img.size[1], 1) / 2
及
你会得到一个有意义的图像。当然,您可能会想出更好的方法来处理负值,将原始像素强制转换为[0127.5],然后将128添加到结果中是一个快速而肮脏的解决方案,但它解决了问题。您确实需要考虑这一点,因为如果中间像素为零,而其他像素具有重要值,也可能会出现溢出
使用更改后的代码,Angelina Jolie的随机图像会产生以下结果:
卷积应用正确。问题在于图像反向转换。也就是说,你应用一个带有一些负值的过滤器,中间的<强> -8 < /强>。这意味着许多卷积像素将有一个负的结果值,然后在完成后将其转换为
np.uint8
。因此,-1将变为255,因此1和-1将具有与之相关的截然不同的光值。这导致了这种模式
更改以下两行:
array = np.asarray(img, dtype = np.float32 ).reshape(1, img.size[0], img.size[1], 1) / 2
及
你会得到一个有意义的图像。当然,您可能会想出更好的方法来处理负值,将原始像素强制转换为[0127.5],然后将128添加到结果中是一个快速而肮脏的解决方案,但它解决了问题。您确实需要考虑这一点,因为如果中间像素为零,而其他像素具有重要值,也可能会出现溢出
使用更改后的代码,Angelina Jolie的随机图像会产生以下结果: