从本篇开始，将进入到深度学习的计算机视觉领域，在此之前有必要对传统 图像处理方法做个回顾。
传统图像处理
在我的【计算机视觉】基础图像知识点整理和【计算机视觉】数字图像处理基础知识题这两篇博文中，对于计算机视觉的基本知识有过梳理，并使用matlab进行了图像处理操作。在本节内容中，将使用python的opencv库，再次尝试对图像进行基本处理。
读入图片并显示：
代码语言：javascript复制import numpy as np
import matplotlib.pyplot as plt
import cv2
img = cv2.imread('photo.jpg')
#OpenCV在读取图像时会默认图像通道的顺序是BGR，将其转换为RGB
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
plt.figure(dpi=150) # dpi-分辨率
plt.imshow(img)
plt.axis('off'); #不显示坐标轴显示原图如图所示：
注意：OpenCV默认图像通道的顺序是BGR，如果不进行转换，三通道红色和蓝色通道会交换，变成这样…
画面调整
画面亮度调整
首先对图片像素进行归一化方便处理，直接让图片三通道的数值增大，画面会被调亮；反之画面被调暗。
代码语言：javascript复制#调亮画面
img = img/255
img_ = np.clip(img 100/255,0,1) #np.clip 将数值限制在0，1；否则会循环
plt.figure(dpi=100)
plt.imshow(img_)
plt.axis('off');效果如图：
饱和度调整
将BGR通道转换称HSV通道后，可以将图片的色相、饱和度、亮度三个通道分离出来，单独进行调整 这里以增大饱和度为例
代码语言：javascript复制img = cv2.imread('photo.jpg')
#OpenCV默认读取后的图像通道是BGR，为了调整饱和度，将通道转换为HSV
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(img_hsv)
#h = np.clip(s*1.0 100,0,255).astype("uint8") # 色相
s = np.clip(s*1.0 100,0,255).astype("uint8") # 饱和度
#v = np.clip(s*1.0 100,0,255).astype("uint8") # 亮度
final_hsv = cv2.merge((h, s, v))
img_s = cv2.cvtColor(final_hsv, cv2.COLOR_HSV2RGB)
plt.figure(dpi=100)
plt.imshow(img_s)
plt.axis('off');效果如下：
边缘检测
下面将使用一张灰度图，利用Laplacian和Sobel两个边缘算子完成边缘检测。
代码语言：javascript复制img = cv2.imread("edge.png")
# 索贝尔等经典卷积操作在灰度图像上表现更好，因此将图像导入时就转化为灰度图像
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 两种经典算子：拉普拉斯与索贝尔
laplacian = cv2.Laplacian(img, cv2.CV_64F, ksize=5)
# 在这里输入之后可以保证输出数据是uint8类型
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5) # 横向的索贝尔，旋转矩阵为5X5
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5) # 纵向的索贝尔，旋转矩阵为5X5
plt.figure(dpi=300)
plt.subplot(2, 2, 1), plt.imshow(img, cmap="gray")
plt.title("Original"), plt.axis("off")
plt.subplot(2, 2, 2), plt.imshow(laplacian, cmap="gray")
plt.title("Laplacian"), plt.axis("off")
plt.subplot(2, 2, 3), plt.imshow(sobelx, cmap="gray")
plt.title("Sobel X"), plt.axis("off")
plt.subplot(2, 2, 4), plt.imshow(sobely, cmap="gray")
plt.title("Sobel Y"), plt.axis("off")效果如下：
卷积
原理
卷积的思想是受到人体视觉生理过程的启发：人类的眼球中含有一系列视觉细胞，但这些细胞不是等价的，他们之中的一部分是简单细胞，只能捕捉到简单的线条、颜色等信息，这些简单细胞捕捉到简单信息后，会将信息传导至复杂细胞，复杂细胞会将这些信息重组为轮廓、光泽等更高级的信息，之后再将信息传导至更高级的细胞，形成完整的图像。
卷积核(Convolution Kernel)(有的文献也称为过滤器(filter))就是在模拟人类中的视觉细胞。如图所示，图中绿色区域部分被称作感受野(receiptive field)，卷积核与感受野轮流点积得到的新矩阵叫做特征图(feature map)
在信号与系统课程中，接触过一维卷积，信号的一维卷积就是将其中的一个信号先翻转再相乘相加。这个翻转的过程就是”卷“。在图像中，二维卷积同样有”卷“的过程，对于矩阵的卷，就是将矩阵旋转180°，过程如图所示：
然而在实际处理中，这个旋转的步骤往往被省略，直接演变成了对应点相乘再相加的形式。
编程
在pytorch中，nn.Conv2d这个函数能够实现2维卷积。
其中，有下列一些参数：
代码语言：javascript复制torch.nn.Conv2d (in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1,
groups=1, bias=True, padding_mode='zeros'参数 | 描述 |
|---|---|
kernel_size | 卷积核的尺寸。无默认值，必填 |
in_channels | 整数，输入图像的通道数 |
out_channels | 整数，输出的特征图的数量，同时等于卷积核的数量 |
bias | 布尔值，"True"则代表在卷积层中使用偏置，反之则不使用偏置 |
stride | 整数或数组，卷积核扫描时的步长。输入整数，则默认为水平方向的步长。输入数组，则同时控制水平和竖直方向的步长。默认为1。 |
padding | 整数或数组，在输入图像的两边分辨进行填充。默认为0。 |
padding_mode | 填充的方式，可输入’zeros’, ‘reflect’ , 'replicate’或者’circular’四种选项来选择填充模式。 |
特征图大小计算公式：
卷积层参数量计算公式：
池化
池化很容易理解，即在特征图上将一块块区域打包进行处理，最常见的是最大池化(Max Pooling)和平均池化(Average Pooling)
Pytorch中，相关接口为nn.MaxPool和nn.AvgPool
两个接口参数类似，以MaxPool2d为例，有下列一些参数：
CLASS torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False,
ceil_mode=False)其中kernel_size就是池化核的尺寸，一般都设置为2X2或3X3。Padding参数与Stride参数一般都不填 写。
Dropout
Dropout是在神经网络训练时，随机让一些神经元”失活“(权值变0)，有利于防止过拟合，示意图如下：
在Pytorch中，可用nn.Dropout2d(p=0.1)进行调用，这里的p表示概率p，即Dropout层会随机选择p * N个神经元进行沉默。
下一篇将使用这些知识来尝试复现经典网络LeNet5与AlexNet。
