正确使用 numpy 与图像的卷积答案

【问题标题】：Correctly using the numpy's convolve with an image正确使用 numpy 与图像的卷积
【发布时间】：2019-08-28 00:24:39
【问题描述】：

我正在观看 Andrew Ng's videos on CNN 并希望将 6 x 6 图像与 3 x 3 过滤器进行卷积。我用 numpy 处理这个问题的方式如下：

image = np.ones((6,6))
filter = np.ones((3,3))

convolved = np.convolve(image, filter)

运行这个会报错：

ValueError: object too deep for desired array

我可以从numpy documentation of convolve了解如何正确使用convolve方法。

另外，有没有办法用 numpy 进行跨步卷积？

【问题讨论】：

标签： python numpy image-processing conv-neural-network convolution

【解决方案1】：

np.convolve 函数，不幸的是，仅适用于 1-D 卷积。这就是你得到错误的原因；你需要一个允许你执行二维卷积的函数。

然而，即使它确实有效，你实际上是操作错误。机器学习中所谓的卷积在数学中更恰当地称为互相关。它们实际上几乎相同。卷积涉及翻转滤波器矩阵，然后执行互相关。

要解决您的问题，您可以查看scipy.signal.correlate（另外，不要使用filter 作为名称，因为您会影响内置函数）：

from scipy.signal import correlate

image = np.ones((6, 6))
f = np.ones((3, 3))

correlate(image, f)

输出：

array([[1., 2., 3., 3., 3., 3., 2., 1.],
       [2., 4., 6., 6., 6., 6., 4., 2.],
       [3., 6., 9., 9., 9., 9., 6., 3.],
       [3., 6., 9., 9., 9., 9., 6., 3.],
       [3., 6., 9., 9., 9., 9., 6., 3.],
       [3., 6., 9., 9., 9., 9., 6., 3.],
       [2., 4., 6., 6., 6., 6., 4., 2.],
       [1., 2., 3., 3., 3., 3., 2., 1.]])

这是完全互相关的标准设置。如果你想删除rely on the zero-padding的元素，传递mode='valid'：

from scipy.signal import correlate

image = np.ones((6, 6))
f = np.ones((3, 3))

correlate(image, f, mode='valid')

输出：

array([[9., 9., 9., 9.],
       [9., 9., 9., 9.],
       [9., 9., 9., 9.],
       [9., 9., 9., 9.]])

【讨论】：

我看到输出是一个8x8 矩阵。根据我观看的视频，它必须是 4x4 矩阵。
@SuhailGupta 8x8 数组是由全互相关产生的，这是默认的。如果您在机器学习上下文中执行互相关，您可能只需要未填充元素的互相关，您可以使用mode='valid' 获得。我已经编辑了我的答案以反映这一点。