在HTML5 canvas里用卷积核进行图像处理的方法

卷积什么是卷积？

就跳过一些用专业属于描述专业术语看完懵逼的解释了，

语文成绩很差的我尝试从字面解释什么是卷积...

卷，理解成一种压缩；积，乘积，积累；

卷积需要一个卷积核，通常是3x3或5x5的方阵，

例如这样

// 一个3x3卷积核
0 0 0
0 1 0
0 0 0

我们要怎么用卷积核处理数据呢？

下面是一个例子：

// 下面是一堆排成方阵的数据
// 这是我们的数据源
1 3 5 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5
4 5 6 1 3 5 1 3 5

我们将要用卷积核“扫描并处理”每一个数据，

例如要处理第二行第二列的5

1 3 5    0 0 0
4 5 6 * 0 1 0
4 5 6    0 0 0

我们把5周围的数字抽出来，然后把两个方阵位置相同的数字相乘然后相加，

得出5，这是当然的，因为这个卷积核做的就是输出原数据????

-1 -1 -1
-1  8 -1
-1 -1 -1

同样的原理，试试另一个不同的卷积核

1 3 5    -1 -1 -1
4 5 6 * -1 8 -1
4 5 6    -1 -1 -1

我们得到的是

1*-1 + 3*-1 + 5*-1
+ 4*-1 + 5*8 + 6*-1
+ 4*-1 + 5*-1 + 6*-1
= 6

然后用得出来的6放入原来5的位置，就是这样“扫描并处理”每一个数据

边缘怎么办？

1. 常数填充
2. 复制边缘像素

突然的深度拓展

卷积在深度学习中十分重要，下面是一个可视化cnn(卷积神经网络)的卷积过程

canvas

<canvas>是一个可以使用脚本(通常为javascript)来绘制图形的 html 元素.它可以用于绘制图表、制作图片构图或者制作简单的(以及不那么简单的)动画。

canvas 绘制图片

ctx.drawimage(image, x, y)

canvas 转换为 imagedata

ctx.getimagedata(sx, sy, sw, sh);
// 返回 imagedata

imagedata 数据是 uint8clampedarray ，它描述了一个一维数组，包含以 rgba 顺序的数据，数据使用 0 至 255（包含）的整数表示。

所以每一个点都会表示为：

// 这样仅仅是一个像素点的数据
r g b a
255 255 0 255

卷积 + imagedata = ？

图像归根到底就是一大堆的颜色点矩阵，我们完全可以把颜色点代替上面的数字矩阵处理，不同的卷积核对图片的处理结果如下（图片来自*）

卷积就是如此神奇????

在 canvas 中实现卷积处理

以下是一个 javascript 对 canvas 输出的 imagedata 进行卷积的实例：

/* 
 * 参数中的 kernel 就是卷积核方阵，不过顺着排列成了一个九位的数组
 * 像是这样 [-1, -1, -1, -1, 8, -1, -1, -1, -1]
 * offset 对rgba数值直接增加，表现为提高亮度
 * 下面的for循环
 * y 代表行，x 代表列，c 代表rgba
 */
convolutionmatrix(input, kernel, offset = 0) {
  let ctx = this.outputctx
  let output = ctx.createimagedata(input)
  let w = input.width,
    h = input.height
  let id = input.data,
    od = output.data
  for (let y = 1; y < h - 1; y += 1) {
    for (let x = 1; x < w - 1; x += 1) {
      for (let c = 0; c < 3; c += 1) {
        let i = (y * w + x) * 4 + c
        od[i] =
          offset +
          (kernel[0] * id[i - w * 4 - 4] +
            kernel[1] * id[i - w * 4] +
            kernel[2] * id[i - w * 4 + 4] +
            kernel[3] * id[i - 4] +
            kernel[4] * id[i] +
            kernel[5] * id[i + 4] +
            kernel[6] * id[i + w * 4 - 4] +
            kernel[7] * id[i + w * 4] +
            kernel[8] * id[i + w * 4 + 4]) /
            this.divisor
      }
      od[(y * w + x) * 4 + 3] = 255
    }
  }
  ctx.putimagedata(output, 0, 0)
}

成品代码:

测试网址，附带彩蛋嘻嘻嘻????

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。