Python-DNN-3D-Convolution(3D卷积)

import numpy as np
import math

def convlution(image,kernel,step,padding):'''W`=((W-kernel+2*padding)/step)+1H`=((H-kernel+2*padding)/step)+1输入格式：image=(C,W,H)Kernel_size=(kernel_N,C,kernel_W,kernel_H)返回格式：result=(Kernel_N,W`,H`)'''image_shape=image.shapeC=image_shape[0]W=image_shape[1]H=image_shape[2]Kernel_size=kernel.shapeHorizon_end=((H-Kernel_size[3]+2*padding)//step)+1Vertical_end=((W-Kernel_size[2]+2*padding)//step)+1result=[Kernel_size[0],Vertical_end,Horizon_end]result=np.zeros((result[0],result[1],result[2]))temp=0print("result.shape=",result.shape)for k in range (Kernel_size[0]):for v_sum in range (Vertical_end):for h_sum in range (Horizon_end):for c in range (C):
# temp+=np.sum((image[c][v_sum:v_sum+2,h_sum:h_sum+2])*(kernel[k][c]))temp+=np.sum((image[c][v_sum:v_sum+Kernel_size[2],h_sum:h_sum+Kernel_size[3]])*(kernel[k][c]))print("temp=",temp)result[k][v_sum][h_sum]=temptemp=0return result

image=np.array([[[1,2,3,4],[1,2,3,4],[1,2,3,4],[0,1,2,3]]]*3)
kernel=np.array([[[[1,1],[2,2]],[[1,1],[2,2]],[[1,1],[2,2]]]]*2)

print(image.shape,kernel.shape)

(3, 4, 4) (2, 3, 2, 2)

print(convlution(image,kernel,step=1,padding=0))

result.shape= (2, 3, 3)
temp= 27
temp= 45
temp= 63
temp= 27
temp= 45
temp= 63
temp= 15
temp= 33
temp= 51
temp= 27
temp= 45
temp= 63
temp= 27
temp= 45
temp= 63
temp= 15
temp= 33
temp= 51
[[[ 27.  45.  63.][ 27.  45.  63.][ 15.  33.  51.]][[ 27.  45.  63.][ 27.  45.  63.][ 15.  33.  51.]]]

如何快速的定义一个上面的image？

a=np.array([[1,2,3,4]]*4)
print(a)
print(a[0:2,0:2])

[[1 2 3 4][1 2 3 4][1 2 3 4][1 2 3 4]]
[[1 2][1 2]]

b=np.array([[2,2],[1,1]])
print(b)

[[2 2][1 1]]

print(np.sum(a*b))

8

如何快速的创建一个shape的数组？

d=np.zeros( (1,2,3) )#表示1维2行3列

from PIL import Image
import matplotlib.pyplot as plt
import cv2

垂直边缘检测

k1 = np.array([
[1,0,-1],
[1,0,-1],
[1,0,-1]
])

k1 = np.array([[[[1,0,-1],[1,0,-1],[1,0,-1]
]]*3]*3)

结论：

上面的函数可以实现Kernel(N,C,W,H)的格式，但是适用不了对于(N,W,H,C)的格式，以及图片格式由(C,W,H)改成了(W,H,C),因为没有时间对这块进行修改了，
如果是2D卷积，那么完全可以实现出来。