遥感&深度学习入门实战教程｜案例③-1：卷积神经网络的基本原理

🧩 为什么需要卷积？

在前面两篇，我们使用了 感知机 和 MLP，但它们都有一个问题：

• 参数量过大：如果输入是一张 $256\times 256\times 3$ 的彩色图像（约 20 万个像素），哪怕只是和第一层的 100 个神经元全连接，也要 $200000\times 100=2000万$ 个参数。
• 缺乏空间结构利用：全连接层把图像展平成一维，丢失了像素之间的空间关系。

卷积层 (Convolutional Layer) 的核心思想是：

1. 用一个小的滤波器（kernel）在图像上滑动；
2. 每次计算局部区域的加权和；
3. 所有位置共享同一个滤波器参数。

这样带来的好处：

• 参数大幅减少：比如 $3\times 3$ 的卷积核只有 9 个参数；
• 保持局部空间特征：能识别边缘、纹理、形状等；
• 平移不变性：物体在图像中移动，卷积特征依然有效。

⚙️ 卷积的数学表达

给定输入图像 $I$ 和卷积核 $K$，卷积运算是：

$$(I\ast K)(i,j)=\sum _m\sum _{n}I(i+m,j+n)\cdot K(m,n)$$

其中，卷积核大小一般是 $3\times 3$ 或 $5\times 5$。

💻 案例演示：卷积核提取边缘

我们先用 numpy 演示卷积核如何从图像中提取特征。

# -*- coding: utf-8 -*-
"""
深度学习案例③-1：卷积核原理演示
"""
import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage
import matplotlib
matplotlib.rcParams['font.family'] = 'SimHei'
matplotlib.rcParams['axes.unicode_minus'] = False

# ===== 1. 构造简单图像 =====
img = np.zeros((64,64))
img[16:48, 16:48] = 1.0   # 中间一个白方块

# ===== 2. 定义卷积核（边缘检测）=====
kernel = np.array([[ -1, -1, -1],
                   [ -1,  8, -1],
                   [ -1, -1, -1]])

# ===== 3. 进行卷积 =====
edge = ndimage.convolve(img, kernel, mode='constant')

# ===== 4. 可视化 =====
plt.figure(figsize=(8,4))
plt.subplot(1,2,1)
plt.imshow(img, cmap="gray"); plt.title("原始图像"); plt.axis("off")

plt.subplot(1,2,2)
plt.imshow(edge, cmap="gray"); plt.title("卷积提取边缘"); plt.axis("off")

plt.suptitle("卷积核示例：边缘检测")
plt.show()

👉 运行效果：左边是一个白色方块，右边则显示其边缘清晰地被卷积核提取出来。

🧠 CNN 的关键组件

1. 卷积层（Convolution Layer）
   提取局部空间特征，参数共享，减少计算量。

2. 池化层（Pooling Layer）
   下采样操作，减少特征尺寸，增强平移不变性。常用 MaxPooling、AveragePooling。

3. 非线性激活（ReLU）
   引入非线性，使网络能表达复杂函数。

4. 全连接层（FC Layer）
   将提取的特征整合，最终输出分类结果。

✅ 小结

• CNN 的灵感来自生物视觉系统，通过局部感受野和权值共享大幅减少参数。
• 卷积层能提取图像的边缘、纹理等特征，是遥感图像分类和目标检测的核心。
• 本文通过 卷积核提取边缘 演示了 CNN 的基础原理。

欢迎大家关注下方公众号获取更多内容！！