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？

狼蚁网站SEO优化是一个例子

// 狼蚁网站SEO优化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 + 58 + 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，狼蚁网站SEO优化是一个可视化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（图片来自维基百科）

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
  狼蚁网站SEO优化的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狼蚁SEO。