Pytorch 实现sobel算子的卷积操作详解
卷积在pytorch中有两种实现，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()，这两种方式本质都是执行卷积操作，对输入的要求也是一样的，首先需要输入的是一个torch.autograd.Variable()的类型，大小是（batch，channel，H，W)，其中batch表示输入的一批数据的数目，channel表示输入的通道数。
一般一张彩色的图片是3，灰度图片是1，而卷积网络过程中的通道数比较大，会出现几十到几百的通道数。H和W表示输入图片的高度和宽度，比如一个batch是32张图片，每张图片是3通道，高和宽分别是50和100，那么输入的大小就是（32，3，50，100）。
如下代码是卷积执行soble边缘检测算子的实现：
importtorch
importnumpyasnp
fromtorchimportnn
fromPILimportImage
fromtorch.autogradimportVariable
importtorch.nn.functionalasF
defnn_conv2d(im):
#用nn.Conv2d定义卷积操作
conv_op=nn.Conv2d(1,1,3,bias=False)
#定义sobel算子参数
sobel_kernel=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]],dtype='float32')
#将sobel算子转换为适配卷积操作的卷积核
sobel_kernel=sobel_kernel.reshape((1,1,3,3))
#给卷积操作的卷积核赋值
conv_op.weight.data=torch.from_numpy(sobel_kernel)
#对图像进行卷积操作
edge_detect=conv_op(Variable(im))
#将输出转换为图片格式
edge_detect=edge_detect.squeeze().detach().numpy()
returnedge_detect
deffunctional_conv2d(im):
sobel_kernel=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]],dtype='float32')#
sobel_kernel=sobel_kernel.reshape((1,1,3,3))
weight=Variable(torch.from_numpy(sobel_kernel))
edge_detect=F.conv2d(Variable(im),weight)
edge_detect=edge_detect.squeeze().detach().numpy()
returnedge_detect
defmain():
#读入一张图片，并转换为灰度图
im=Image.open('./cat.jpg').convert('L')
#将图片数据转换为矩阵
im=np.array(im,dtype='float32')
#将图片矩阵转换为pytorchtensor,并适配卷积输入的要求
im=torch.from_numpy(im.reshape((1,1,im.shape[0],im.shape[1])))
#边缘检测操作
#edge_detect=nn_conv2d(im)
edge_detect=functional_conv2d(im)
#将array数据转换为image
im=Image.fromarray(edge_detect)
#image数据转换为灰度模式
im=im.convert('L')
#保存图片
im.save('edge.jpg',quality=95)
if__name__=="__main__":
main()
原图片：cat.jpg
结果图片：edge.jpg
以上这篇Pytorch实现sobel算子的卷积操作详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。