卷积神经网络(CNN)中的卷积核到底是如何提取图像特征的（python实现图像卷积运算）

最新推荐文章于 2025-06-19 22:14:48 发布

米兰小子123

最新推荐文章于 2025-06-19 22:14:48 发布

阅读量3.7w

点赞数 31

CC 4.0 BY-SA版权

分类专栏： CV 文章标签：计算机视觉图像卷积处理 CNN特征提取

本文链接：https://blog.youkuaiyun.com/weixin_40769885/article/details/93872654

CV 专栏收录该内容

1 篇文章

订阅专栏

本文介绍如何使用Python和卷积神经网络(CNN)进行图像特征提取，通过自定义卷积核，如边缘和浮雕特征提取器，对图像进行卷积运算，生成特征图。文中提供了详细的代码实现，并展示了实验结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.前言

我们知道，卷积核(也叫滤波器矩阵)在卷积神经网络中具有非常重要的作用。说白了，CNN主要作用在于提取图像的各种特征图（feature maps).
CNN主要是通过卷积运算来完成特征提取的。图像卷积运算，主要是通过设定各种特征提取滤波器矩阵（卷积核，通常设定大小为3x3,或者5x5的矩阵），然后使用该卷积核在原图像矩阵（图像实际是像素值构成的矩阵）‘滑动’，实现卷积运算。如果对卷积运算还不太明白的，可以去看吴恩达的课程，他已经介绍的很详细了。本文重点在于，使用python来实现卷积运算，让大家可以看到实际的卷积运算结果，从而对CNN提取特征有比较直观的认识，进而更好地去理解基于卷积神经网络的图像识别，目标检测等深度学习算法。

在这里插入图片描述

2.自定义卷积核，用numpy完成图像卷积运算，生成对应特征图：

"""   
@Project Name: CNN featuremap
@Author: milanboy
@Time: 2019-06-27, 09:37
@Python Version: python3.6
@Coding Scheme: utf-8
@Interpreter Name: PyCharm
"""
import numpy as np
import cv2
from matplotlib import pyplot as plt


def conv(image, kernel, mode='same'):
    if mode == 'fill':
        h = kernel.shape[0] // 2
        w = kernel.shape[1] // 2

        image = np.pad(image, ((h, h), (w, w), (0, 0)), 'constant')
    conv_b = _convolve(image[:, :, 0], kernel)
    conv_g = _convolve(image[:, :, 1], kernel)
    conv_r = _convolve(image[:, :, 2], kernel)
    res = np.dstack([conv_b, conv_g, conv_r])
    return res


def _convolve(image, kernel):
    h_kernel, w_kernel = kernel.shape
    h_image, w_image = image.shape

    res_h = h_image - h_kernel + 1
    res_w = w_image - w_kernel + 1

    res = np.zeros((res_h, res_w), np.uint8)
    for i in range(res_h):
        for j in range(res_w):
            res[i, j] = normal(image[i:i + h_kernel, j:j + w_kernel], kernel)

    return res

def normal(image, kernel):
    res = np.multiply(image, kernel).sum()
    if res > 255:
        return 255
    elif res<0:
        return 0
    else:
        return res
if __name__ == '__main__':
    path = './img/doramon.jpeg'      # 原图像路径
    image = cv2.imread(path)

    #kernel 是一个3x3的边缘特征提取器，可以提取各个方向上的边缘
    #kernel2 是一个5x5的浮雕特征提取器。

    kernel1 = np.array([
        [1, 1, 1],
        [1, -7.5, 1],
        [1, 1, 1]
    ])
    kernel2 = np.array([[-1, -1, -1, -1, 0],
                        [-1, -1, -1, 0, 1],
                        [-1, -1, 0, 1, 1],
                        [-1, 0, 1, 1, 1],
                        [0, 1, 1, 1, 1]])
    res = conv(image, kernel1, 'fill')
    plt.imshow(res)
    plt.savefig('./out/filtered_picdoramon01.jpg', dpi=600)
    plt.show()