常用图像卷积核类型小结（上）

卷积操作的主要目的就是对图像进行降维以及特征提取； 1.卷积核往往是行数和列数均为奇数的矩阵，这样中心较

优，边缘不完整， 2.为了防止边缘不完整的问题，通常会采用边缘扩展的技术，即在图像周围填充一行或多行像素， 3.常用的边缘扩展技术有：

• 零填充：用0填充图像周围的像素，这样得到的扩展图像与原图像具有相同的均值和方差，但边缘处的信息丢失了，
• 对称扩展：用图像边缘的像素值对称填充图像周围的像素，这样得到的扩展图像与原图像具有相同的均值和方差，并且边缘处的信息也得到了保留，
• 反射扩展：用图像边缘的像素值反射填充图像周围的像素，这样得到的扩展图像与原图像具有相同的均值和方差，并且边缘处的信息也得到了保留。

常用图像卷积核类型小结（上）
常用图像卷积核类型小结（上）
一、 均值卷积核

1. 均值卷积核是一个所有元素都相等的卷积核，通常用于图像平滑。
2. 均值卷积核的尺寸越大，图像越平滑。

二、 高斯卷积核

1. 高斯卷积核是一个具有高斯分布的卷积核，通常用于图像模糊。
2. 高斯卷积核的尺寸越大，图像越模糊。

三、 拉普拉斯卷积核

1. 拉普拉斯卷积核是一个具有拉普拉斯分布的卷积核，通常用于图像锐化。
2. 拉普拉斯卷积核的尺寸越大，图像越锐化。

四、 Sobel卷积核

1. Sobel卷积核是一个用于图像边缘检测的卷积核。
2. Sobel卷积核有两种形式，一种用于检测水平边缘，一种用于检测垂直边缘。

五、 Prewitt卷积核

1. Prewitt卷积核也是一种用于图像边缘检测的卷积核。
2. Prewitt卷积核有两种形式，一种用于检测水平边缘，一种用于检测垂直边缘。

六、 Canny卷积核

1. Canny卷积核是一种用于图像边缘检测的卷积核，它比Sobel和Prewitt卷积核更复杂，但效果也更好。
2. Canny卷积核有五个步骤，分别是：

1. 用高斯卷积核平滑图像。
2. 计算图像的梯度。
3. 应用非极大值抑制。
4. 应用双阈值化。
5. 连接边缘。

七、 Haar小波卷积核

1. Haar小波卷积核是一个用于图像特征提取的卷积核。
2. Haar小波卷积核有两种形式，一种用于检测水平边缘，一种用于检测垂直边缘。

八、 Gabor卷积核

1. Gabor卷积核是一个用于图像特征提取的卷积核，它具有良好的方向性和频率选择性。
2. Gabor卷积核有多个参数，包括方向、频率和带宽。

九、 卷积神经网络

1. 卷积神经网络是一种深度学习模型，它由多个卷积层组成。
2. 卷积神经网络可以用于图像分类、目标检测、图像分割等任务。

十、 金字塔卷积网络

1. 金字塔卷积网络是一种卷积神经网络，它在每个卷积层中使用多个不同尺寸的卷积核。
2. 金字塔卷积网络可以提高图像分类、目标检测和图像分割的准确性。