在pytorch中实现将sobel算子和卷积层结合来提取图像中物体的边缘轮廓图，如下代码是卷积执行soble边缘检测算子的实现：
我要评论import torch
import numpy as np
from torch import nn
from PIL import Image
from torch.autograd import Variable
import torch.nn.functional as F
import cv2
def edge_conv2d(im):
# 用nn.Conv2d定义卷积操作
conv_op = nn.Conv2d(3, 3, kernel_size=3, padding=1, 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))
# 卷积输出通道，这里我设置为3
sobel_kernel = np.repeat(sobel_kernel, 3, axis=1)
# 输入图的通道，这里我设置为3
sobel_kernel = np.repeat(sobel_kernel, 3, axis=0)
conv_op.weight.data = torch.from_numpy(sobel_kernel)
# print(conv_op.weight.size())
# print(conv_op, '\n')
edge_detect = conv_op(im)
print(torch.max(edge_detect))
# 将输出转换为图片格式
edge_detect = edge_detect.squeeze().detach().numpy()
return edge_detect
def edge_extraction():
im = cv2.imread('./cat.jpg', flags=1)
im = np.transpose(im, (2, 0, 1))
# 添加一个维度，对应于pytorch模型张量(B, N, W, H)中的batch_size
im = im[np.newaxis, :]
im = torch.Tensor(im)
edge_detect = edge_conv2d(im)
edge_detect = np.transpose(edge_detect, (1, 2, 0))
# cv2.imshow('edge.jpg', edge_detect)
# cv2.waitKey(0)
cv2.imwrite('edge-2.jpg', edge_detect)
if __name__ == "__main__":
edge_extraction()
结果如下图所示：
本文地址：https://blog.csdn.net/qq_37760750/article/details/107228529
如对本文有疑问， 点击进行留言回复！！
G-Grid Coloring 2020牛客暑期多校训练营（第六场）
【Unity2017】如何将ArrayList中的元素打乱顺序。
2020牛客暑期多校训练营（第六场）H Harmony Pairs —— 记忆化搜索，有丶东西
从C# EntityFramework三层架构使用VS2013+EF6.0+MVC
网友评论