I bildbehandling är en kärna, konvolutionsmatris eller mask en liten matris. Den används för oskärpa, skärpning, prägling, kantdetektering med mera. Detta åstadkoms genom att göra en konvolution mellan en kärna och en bild.
I den här artikeln är här några konventioner som vi följer –
- Vi hänvisar specifikt till 2D-falsningar som vanligen tillämpas på 2-matrisobjekt, t.ex. bilder. Dessa begrepp gäller även för 1D- och 3D-falsningar, men kanske inte korrelerar direkt.
- När man tillämpar 2D-falsningar som 3X3-falsningar på bilder, kommer ett 3X3-falsningsfilter i allmänhet alltid att ha en tredje dimension i storlek. Detta filter beror på (och är lika med) antalet kanaler i den ingående bilden. Vi tillämpar alltså ett 3X3X1-falsningsfilter på gråskalabilder (antalet kanaler = 1) medan vi tillämpar ett 3X3X3-falsningsfilter på en färgad bild (antalet kanaler = 3).
- Vi kommer att hänvisa till alla falsningar genom deras två första dimensioner, oavsett kanalerna. (Vi iakttar antagandet om noll utfyllnad).
Ett konvolutionsfilter passerar över alla bildpixlar på ett sådant sätt att vi vid en given tidpunkt tar ”prickprodukten” av konvolutionsfiltret och bildpixlarna för att få ett slutligt utdatavärde. Vi gör detta i hopp om att vikterna (eller värdena) i konvolutionsfiltret, när de multipliceras med motsvarande bildpixlar, ger oss ett värde som bäst representerar dessa bildpixlar. Vi kan tänka oss att varje konvolutionsfilter extraherar någon typ av funktion från bilden.
Därför görs konvolutioner vanligtvis med dessa två saker i åtanke –
- De flesta funktionerna i en bild är vanligtvis lokala. Därför är det vettigt att ta några få lokala pixlar på en gång och tillämpa konvolutioner.
- De flesta funktioner kan finnas på mer än ett ställe i en bild. Detta innebär att det är meningsfullt att använda en enda kärna över hela bilden, i hopp om att extrahera den funktionen i olika delar av bilden.
Nu har vi konvolutionsfilterstorlekar som en av hyperparametrarna att välja mellan. Valet är kan göras mellan mindre eller större filterstorlek.
Här finns vissa saker att tänka på när man väljer konvolutionsfilterstorlekar – http://bit.ly/2w2Mcf2