I billedbehandling er en kerne, konvolutionsmatrix eller maske en lille matrix. Den bruges til blurring, skærpning, prægning, kantdetektion og meget mere. Dette opnås ved at foretage en konvolution mellem en kerne og et billede.
I denne artikel er her nogle konventioner, som vi følger –
- Vi henviser specifikt til 2D-foldninger, der normalt anvendes på 2-matrixobjekter som f.eks. billeder. Disse begreber gælder også for 1D- og 3D-foldninger, men korrelerer måske ikke direkte.
- Ved anvendelse af 2D-foldninger som 3X3-foldninger på billeder, vil et 3X3-foldningsfilter generelt altid have en tredje dimension i størrelse. Dette filter afhænger af (og er lig med) antallet af kanaler i indgangsbilledet. Vi anvender således et 3X3X1-foldningsfilter på gråskala-billeder (antallet af kanaler = 1), mens vi anvender et 3X3X3-foldningsfilter på et farvet billede (antallet af kanaler = 3).
- Vi vil henvise til alle foldninger ved deres to første dimensioner, uanset kanalerne. (Vi overholder antagelsen om nul padding).
Et konvolutionsfilter passerer over alle billedets pixels på en sådan måde, at vi på et givet tidspunkt tager “prikproduktet” af konvolutionsfilteret og billedets pixels for at få ét slutværdioutput. Vi gør dette i håb om, at vægtene (eller værdierne) i konvolutionsfilteret, når de multipliceres med de tilsvarende billedpixels, giver os en værdi, der bedst repræsenterer disse billedpixels. Vi kan tænke på hvert enkelt konvolutionsfilter som et udtræk af en eller anden form for egenskab fra billedet.
Derfor udføres konvolutioner normalt med disse to ting i baghovedet –
- De fleste af egenskaberne i et billede er normalt lokale. Derfor giver det mening at tage nogle få lokale pixels på én gang og anvende convolutions.
- De fleste af funktionerne kan findes mere end ét sted i et billede. Det betyder, at det giver mening at anvende en enkelt kerne over hele billedet i håb om at udtrække den pågældende feature i forskellige dele af billedet.
Nu har vi konvolutionsfilterstørrelser som en af de hyperparametre, vi kan vælge imellem. Valget er kan træffes mellem mindre eller større filterstørrelse.
Her er visse ting, der skal overvejes, mens man vælger convolutionsfilterstørrelser – http://bit.ly/2w2Mcf2