路面病害用哪種卷積演算法

『壹』 卷積神經網路演算法是什麼

一維構築、二維構築、全卷積構築。

卷積神經網路（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網路（Feedforward Neural Networks），是深度學習（deep learning）的代表演算法之一。

卷積神經網路具有表徵學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（shift-invariant classification），因此也被稱為「平移不變人工神經網路（Shift-Invariant Artificial Neural Networks, SIANN）」。

卷積神經網路的連接性：

卷積神經網路中卷積層間的連接被稱為稀疏連接（sparse connection），即相比於前饋神經網路中的全連接，卷積層中的神經元僅與其相鄰層的部分，而非全部神經元相連。具體地，卷積神經網路第l層特徵圖中的任意一個像素（神經元）都僅是l-1層中卷積核所定義的感受野內的像素的線性組合。

卷積神經網路的稀疏連接具有正則化的效果，提高了網路結構的穩定性和泛化能力，避免過度擬合，同時，稀疏連接減少了權重參數的總量，有利於神經網路的快速學習，和在計算時減少內存開銷。

卷積神經網路中特徵圖同一通道內的所有像素共享一組卷積核權重系數，該性質被稱為權重共享（weight sharing）。權重共享將卷積神經網路和其它包含局部連接結構的神經網路相區分，後者雖然使用了稀疏連接，但不同連接的權重是不同的。權重共享和稀疏連接一樣，減少了卷積神經網路的參數總量，並具有正則化的效果。

在全連接網路視角下，卷積神經網路的稀疏連接和權重共享可以被視為兩個無限強的先驗（pirior），即一個隱含層神經元在其感受野之外的所有權重系數恆為0（但感受野可以在空間移動）；且在一個通道內，所有神經元的權重系數相同。

『貳』 sobel邊緣檢測優缺點與canny運算元的優缺點

一、sobel邊緣檢測：

1、sobel邊緣檢測優點：輸出圖像(數組)的元素通常具有更大的絕對數值。

2、sobel邊緣檢測缺點：由於邊緣是位置的標志，對灰度的變化不敏感。

二、canny運算元：

1、canny運算元優點：法能夠盡可能多地標識出圖像中的實際邊緣；標識出的邊緣要與實際圖像中的實際邊緣盡可能接近。

2、canny運算元缺點：圖像中的邊緣只能標識一次，並且可能存在的圖像雜訊不應標識為邊緣。

(2)路面病害用哪種卷積演算法擴展閱讀：

Sobel邊緣檢測的核心在於像素矩陣的卷積，卷積對於數字圖像處理非常重要，很多圖像處理演算法都是做卷積來實現的。

卷積運算的本質就是對制定的圖像區域的像素值進行加權求和的過程，其計算過程為圖像區域中的每個像素值分別與卷積模板的每個元素對應相乘，將卷積的結果作求和運算，運算到的和就是卷積運算的結果。