""" 使用卷积函数对图像感兴趣区域进行标注，实际应用中，可以使用不同的卷积核，对图像 感兴趣区域进行特征的自动提取 卷积运算生成的特征图的大小(特征图的维度)计算 1. 卷积方式padding="VALID"时，输入图片的大小为[h,w]，卷积核的大小为[m,n]，卷积核的数目为a(特征图的个数，即特征个数)， 步长为k，那么，对于每个h*w的图像，假设已经学习得到了a个定义在m*n输入上的特征，那么每一个特征和图片卷积 都会得到一个(h-m+1)*(w-n+1)/k维的卷积特征，由于有a个特征，所以每个图片都会得到(h-m+1)*(w-n+1)/k*a维的卷积特征向量 2. 卷积方式padding="SAME"时，上述表述不变，则每个图片都会得到h*w/k*a维的卷积特征向量 """
import tensorflow as tf
import cv2
import numpy as np

""" 使用大小为7*7的卷积核对图片进行处理，将提取出边缘特征。试着对lena.jpg图片进行 卷积，观察卷积后的结果 """
imgPath = "tensorflow_application/lena.jpg"
img = cv2.imread(imgPath)
img = np.array(img, dtype=np.float32)
img_for_origin = img.astype("uint8")
x_image = tf.reshape(img, [1, 512, 512, 3])  # 将图片变为TensorFlow需要的input格式，即4维Tensor

filter = tf.Variable(tf.ones([7, 7, 3, 1]))

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
res = tf.nn.conv2d(x_image, filter, strides=[1, 2, 2, 1], padding="SAME")
# 此时的res为一个4维Tensor，为了将其显示，需要转变为二维数组形式
res_image = sess.run(tf.reshape(res, [256, 256])) / 128 + 1
res_image = res_image.astype("uint8")
# 查看原图和卷积后的图片
cv2.imshow("origin", img_for_origin)
cv2.imshow("cnn", res_image)
sess.close()

# 然后加大卷积核的大小，调整为[11, 11]，可以发现随着卷积核的增大，区域特征愈发明显
# 为了练习，再敲一遍代码
imgPath = "tensorflow_application/lena.jpg"
img = cv2.imread(imgPath)
img_float = np.array(img, dtype=np.float32)
# 将img_float变为Tensorflow的input输入格式，4维Tensor
x_image = tf.reshape(img_float, [1, 512, 512, 3])
# 定义卷积核
filter = tf.Variable(tf.ones([11, 11, 3, 1]))

# 启动会话
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

res = tf.nn.conv2d(x_image, filter, strides=[1, 2, 2, 1], padding="SAME")
# 将结果重塑为可以用于显示的二维数组
res_image = sess.run(tf.reshape(res, [256, 256])) / 128 + 1
# float格式是显示不出来的，需要转变为uint8类型
res_image = res_image.astype("uint8")
# 显示原图和卷积后的图片
cv2.imshow("origin", img)
cv2.imshow("cnn", res_image)

sess.close()