卷积什么是卷积？
就跳过一些用专业属于描述专业术语看完懵逼的解释了，
语文成绩很差的我尝试从字面解释什么是卷积...
卷，理解成一种压缩；积，乘积，积累；
卷积需要一个卷积核，通常是3x3或5x5的方阵，
例如这样
// 一个3x3卷积核
0 0 0
0 1 0
0 0 0
我们要怎么用卷积核处理数据呢？
下面是一个例子：
// 下面是一堆排成方阵的数据
// 这是我们的数据源
1 3 5 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5
我们将要用卷积核“扫描并处理”每一个数据，
例如要处理第二行第二列的5
1 3 5 0 0 0
4 5 6 * 0 1 0
4 5 6 0 0 0
我们把5周围的数字抽出来，然后把两个方阵位置相同的数字相乘然后相加，
得出5，这是当然的，因为这个卷积核做的就是输出原数据
-1 -1 -1
-1 8 -1
-1 -1 -1
同样的原理，试试另一个不同的卷积核
1 3 5 -1 -1 -1
4 5 6 * -1 8 -1
4 5 6 -1 -1 -1
我们得到的是
1*-1 + 3*-1 + 5*-1
+ 4*-1 + 5*8 + 6*-1
+ 4*-1 + 5*-1 + 6*-1
= 6
然后用得出来的6放入原来5的位置，就是这样“扫描并处理”每一个数据
边缘怎么办？
- 常数填充
- 复制边缘像素
突然的深度拓展
卷积在深度学习中十分重要，下面是一个可视化CNN(卷积神经网络)的卷积过程
http://scs.ryerson.ca/~aharley/vis/conv/
canvas
canvas 绘制图片
ctx.drawImage(image, x, y)
canvas 转换为 ImageData
ctx.getImageData(sx, sy, sw, sh); // 返回 ImageData
ImageData 数据是 Uint8ClampedArray ，它描述了一个一维数组，包含以 RGBA 顺序的数据，数据使用 0 至 255（包含）的整数表示。
所以每一个点都会表示为：
// 这样仅仅是一个像素点的数据
R G B A
255 255 0 255
卷积 + ImageData = ？
图像归根到底就是一大堆的颜色点矩阵，我们完全可以把颜色点代替上面的数字矩阵处理，不同的卷积核对图片的处理结果如下（图片来自维基百科）
卷积就是如此神奇
在 canvas 中实现卷积处理
以下是一个 JavaScript 对 canvas 输出的 ImageData 进行卷积的实例：
/*
* 参数中的 kernel 就是卷积核方阵，不过顺着排列成了一个九位的数组
* 像是这样 [-1, -1, -1, -1, 8, -1, -1, -1, -1]
* offset 对RGBA数值直接增加，表现为提高亮度
* 下面的for循环
* y 代表行，x 代表列，c 代表RGBA
*/
convolutionMatrix(input, kernel, offset = 0) {
let ctx = this.outputCtx
let output = ctx.createImageData(input)
let w = input.width,
h = input.height
let iD = input.data,
oD = output.data
for (let y = 1; y < h - 1; y += 1) {
for (let x = 1; x < w - 1; x += 1) {
for (let c = 0; c < 3; c += 1) {
let i = (y * w + x) * 4 + c
oD[i] =
offset +
(kernel[0] * iD[i - w * 4 - 4] +
kernel[1] * iD[i - w * 4] +
kernel[2] * iD[i - w * 4 + 4] +
kernel[3] * iD[i - 4] +
kernel[4] * iD[i] +
kernel[5] * iD[i + 4] +
kernel[6] * iD[i + w * 4 - 4] +
kernel[7] * iD[i + w * 4] +
kernel[8] * iD[i + w * 4 + 4]) /
this.divisor
}
oD[(y * w + x) * 4 + 3] = 255
}
}
ctx.putImageData(output, 0, 0)
}
成品代码:https://github.com/ssshooter/canvas-img-process
测试网址，附带彩蛋嘻嘻嘻https://ssshooter.github.io/canvas-img-process/
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持潘少俊衡。
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。
本文地址：/web/html5/76681.html
