/// <summary>
/// 卷积，外层是乘积法则，内层是卷积
/// </summary>
/// <param name="core">卷积核平面</param>
/// <param name="mode">卷积模式</param>
/// <returns></returns>
public Tensor Convolve(Tensor core, ConvolutionMode mode)
{
if (this.DimensionY != core.DimensionX)
{
throw new Exception("进行卷积的两个向量外层维度必须符合矩阵乘法规律");
}
Tensor newTensor = TensorBuilder.Empty(this.DimensionX, core.DimensionY);
//创建一个与后续卷积结果大小相等的0矩阵
Matrix <double> temp = this[0, 0].Convolve(core[0, 0], mode).Map(r => 0.0);
for (int i = 0; i <= newTensor.DimensionX - 1; i++)
{
for (int j = 0; j <= newTensor.DimensionY - 1; j++)
{
for (int k = 0; k <= this.DimensionY - 1; k++)
{
temp = temp + this[i, k].Convolve(core[k, j], mode);
}
newTensor[i, j] = temp;
temp = temp.Map(r => 0.0);
}
}
newTensor.OuterAct(r => r.CoerceZero(1e-15));
return(newTensor);
}
public static Tensor InvokeConvolutionKernel(
ConvolutionMode mode, string name, Tensor input, Tensor filter, Tensor bias
)
{
var compute = Pix2PixResources.Compute;
var kernel = compute.FindKernel(name);
uint tgn_x, tgn_y, tgn_z;
compute.GetKernelThreadGroupSizes(kernel, out tgn_x, out tgn_y, out tgn_z);
var deconv = (mode == ConvolutionMode.Backward);
var outHeight = deconv ? input.Shape[0] * 2 : input.Shape[0] / 2;
var outWidth = deconv ? input.Shape[1] * 2 : input.Shape[1] / 2;
var outChannels = filter.Shape[deconv ? 2 : 3];
Debug.Assert(outHeight % tgn_z == 0);
Debug.Assert(outWidth % tgn_y == 0);
Debug.Assert(outChannels % tgn_x == 0);
var output = new Tensor(new [] { outHeight, outWidth, outChannels });
var buffer_input = new UnityEngine.ComputeBuffer(input.Data.Length, sizeof(float));
var buffer_filter = new UnityEngine.ComputeBuffer(filter.Data.Length, sizeof(float));
var buffer_bias = new UnityEngine.ComputeBuffer(bias.Data.Length, sizeof(float));
var buffer_output = new UnityEngine.ComputeBuffer(output.Data.Length, sizeof(float));
buffer_input.SetData(input.Data);
buffer_filter.SetData(filter.Data);
buffer_bias.SetData(bias.Data);
compute.SetInts("InputShape", input.Shape);
compute.SetInts("FilterShape", filter.Shape);
compute.SetInts("OutputShape", output.Shape);
compute.SetBuffer(kernel, "Input", buffer_input);
compute.SetBuffer(kernel, "Filter", buffer_filter);
compute.SetBuffer(kernel, "Bias", buffer_bias);
compute.SetBuffer(kernel, "Output", buffer_output);
compute.Dispatch(kernel,
outChannels / (int)tgn_x,
outWidth / (int)tgn_y,
outHeight / (int)tgn_z
);
buffer_output.GetData(output.Data);
buffer_input.Dispose();
buffer_filter.Dispose();
buffer_bias.Dispose();
buffer_output.Dispose();
return(output);
}
// Internal constructor
private ConvolutionInfo(
ConvolutionMode mode,
int verticalPadding, int horizontalPadding,
int verticalStride, int horizontalStride)
{
VerticalPadding = verticalPadding >= 0 ? verticalPadding : throw new ArgumentOutOfRangeException(nameof(verticalPadding), "The vertical padding must be greater than or equal to 0");
HorizontalPadding = horizontalPadding >= 0 ? horizontalPadding : throw new ArgumentOutOfRangeException(nameof(horizontalPadding), "The horizontal padding must be greater than or equal to 0");
VerticalStride = verticalStride >= 1 ? verticalStride : throw new ArgumentOutOfRangeException(nameof(verticalStride), "The vertical stride must be at least equal to 1");
HorizontalStride = horizontalStride >= 1 ? horizontalStride : throw new ArgumentOutOfRangeException(nameof(horizontalStride), "The horizontal stride must be at least equal to 1");
Mode = mode;
}
public static ConvolutionInfoFactory Same(
ConvolutionMode mode = ConvolutionMode.Convolution,
int verticalStride = 1, int horizontalStride = 1)
{
return((input, kernels) =>
{
int
verticalPadding = (input.Height * verticalStride - input.Height + kernels.X - verticalStride - 1) / 2 + 1,
horizontalPadding = (input.Width * horizontalStride - input.Width + kernels.Y - horizontalStride - 1) / 2 + 1;
return new ConvolutionInfo(mode, verticalPadding, horizontalPadding, verticalStride, horizontalStride);
});
}
public static Tensor InvokeConvolutionKernel(
ConvolutionMode mode, string name, Tensor input, Tensor filter, Tensor bias
)
{
var compute = ComputeAssets.Convolution;
var kernel = compute.FindKernel(name);
uint tgn_x, tgn_y, tgn_z;
compute.GetKernelThreadGroupSizes(kernel, out tgn_x, out tgn_y, out tgn_z);
var trans = (mode == ConvolutionMode.Up);
var outHeight = trans ? input.Shape[0] * 2 : input.Shape[0] / 2;
var outWidth = trans ? input.Shape[1] * 2 : input.Shape[1] / 2;
//var outChannels = filter.Shape[trans ? 2 : 3];
var outChannels = filter.Shape[3];
Debug.Assert(filter.Shape[0] == 4);
Debug.Assert(filter.Shape[1] == 4);
Debug.Assert(outHeight % tgn_z == 0);
Debug.Assert(outWidth % tgn_y == 0);
//Debug.Assert(outChannels % tgn_x == 0);
var output = new Tensor(new [] { outHeight, outWidth, outChannels });
compute.SetInts("InputShape", input.Shape);
compute.SetInts("FilterShape", filter.Shape);
compute.SetInts("OutputShape", output.Shape);
compute.SetInts("InputIndexer", CalculateIndexVector(input.Shape));
compute.SetInts("FilterIndexer", CalculateIndexVector(filter.Shape));
compute.SetInts("OutputIndexer", CalculateIndexVector(output.Shape));
compute.SetBuffer(kernel, "Input", input.Buffer);
compute.SetBuffer(kernel, "Filter", filter.Buffer);
compute.SetBuffer(kernel, "Bias", bias.Buffer);
compute.SetBuffer(kernel, "Output", output.Buffer);
if (outChannels == 3)
{
compute.Dispatch(kernel, 1, outWidth, outHeight); // final convolution
}
else
{
compute.Dispatch(kernel, outChannels / (int)tgn_x, outWidth, outHeight);
}
return(output);
}
public static Matrix <double> Convolve(this Matrix <double> a, Matrix <double> b, ConvolutionMode mode)
{
switch (mode)
{
case ConvolutionMode.Narrow:
{
return(a.Convolve(b, 1));
}
case ConvolutionMode.Wide:
{
Matrix <double> result = Matrix <double> .Build.Dense(a.RowCount + b.RowCount - 1, a.ColumnCount + b.ColumnCount - 1);
var aCopy = a.Clone();
aCopy = aCopy.Pad(b.RowCount - 1, b.RowCount - 1, b.ColumnCount - 1, b.ColumnCount - 1);
for (int i = 0; i <= aCopy.RowCount - b.RowCount; i++)
{
for (int j = 0; j <= aCopy.ColumnCount - b.ColumnCount; j++)
{
//先求hadamard积，然后求和
result[i, j] = aCopy.SubMatrix(i, b.RowCount, j, b.ColumnCount).PointwiseMultiply(b).RowSums().Sum();
}
}
return(result);
}
case ConvolutionMode.Same:
{
if (b.RowCount % 2 == 0 || b.ColumnCount % 2 == 0)
{
throw new Exception("等宽卷积的卷积核大小必须为奇数");
}
Matrix <double> result = Matrix <double> .Build.Dense(a.RowCount, a.ColumnCount);
var aCopy = a.Clone();
aCopy = aCopy.Pad((b.RowCount - 1) / 2, (b.RowCount - 1) / 2, (b.ColumnCount - 1) / 2, (b.ColumnCount - 1) / 2);
for (int i = 0; i <= aCopy.RowCount - b.RowCount; i++)
{
for (int j = 0; j <= aCopy.ColumnCount - b.ColumnCount; j++)
{
//先求hadamard积，然后求和
result[i, j] = aCopy.SubMatrix(i, b.RowCount, j, b.ColumnCount).PointwiseMultiply(b).RowSums().Sum();
}
}
return(result);
}
default:
{
throw new Exception("需要从给定类型中选择");
}
}
}
internal static Bitmap Convolute(this Bitmap bmp, double[,] hkernel, double[,] vkernel, ConvolutionMode mode = ConvolutionMode.RepeatEdges)
{
int ksize = hkernel.GetLength(0);
int h = bmp.Height;
int w = bmp.Width;
if ((ksize * ksize != hkernel.Length) || (ksize < 3) || (ksize % 2 == 0) ||
(ksize * ksize != vkernel.Length) || (vkernel.GetLength(0) != ksize))
{
throw new ArgumentException("The convolution kernels must be squared with an odd side length and must have an equal size.");
}
Bitmap dst = new Bitmap(w, h);
bmp.Lock(psrc =>
dst.Lock(pdst =>
{
RGB getsrc(int x, int y)
{
if ((x >= 0) && (y >= 0) && (x < w) && (y < h))
{
return(psrc[y * w + x]);
}
else if (mode == ConvolutionMode.Zero)
{
return(new RGB());
}
else if (mode == ConvolutionMode.RepeatEdges)
{
return(getsrc(x < 0 ? 0 : x >= w ? w - 1 : x, y < 0 ? 0 : y >= h ? h - 1 : y));
}
else
{
return(getsrc(x % w, y % h));
}
}
Parallel.For(0, w, x =>
{
for (int y = 0; y < h; ++y)
{
double rv = 0, gv = 0, bv = 0;
double rh = 0, gh = 0, bh = 0;
for (int i = 0; i < ksize; ++i)
{
for (int j = 0; j < ksize; ++j)
{
RGB color = getsrc(x + i - ksize / 2, y + j - ksize / 2);
rv += vkernel[i, j] * color.Rf;
gv += vkernel[i, j] * color.Gf;
bv += vkernel[i, j] * color.Bf;
rh += hkernel[i, j] * color.Rf;
gh += hkernel[i, j] * color.Gf;
bh += hkernel[i, j] * color.Bf;
}
}
pdst[y * w + x] = new RGB
(
Sqrt(rv * rv + rh * rh).Constrain(),
Sqrt(gv * gv + gh * gh).Constrain(),
Sqrt(bv * bv + bh * bh).Constrain()
);
}
});
}));
return(dst);
}
public static ConvolutionInfo New(
ConvolutionMode mode = ConvolutionMode.Convolution,
int verticalPadding = 0, int horizontalPadding = 0,
int verticalStride = 1, int horizontalStride = 1)
=> new ConvolutionInfo(mode, verticalPadding, horizontalPadding, verticalStride, horizontalStride);
public Tensor Convolve(Tensor core, ConvolutionMode mode)
{
return(null);
}
/// <summary>
/// Функция свёртки
/// </summary>
/// <param name="sourceImage">Исходное изображение</param>
/// <param name="mode">Режим свёртки</param>
/// <param name="channels">Каналы, над которыми проводится операция свёртки</param>
/// <returns>
/// Результирующее изображение
/// </returns>
public Image Convolution(Image sourceImage,
ConvolutionMode mode = ConvolutionMode.collapse,
int channels = (Channel.BLUE | Channel.RED | Channel.GREEN))
{
Bitmap source = new Bitmap(sourceImage);
//размеры фильтра
int filterWidth = filterMatrix.GetLength(1);
int filterHeight = filterMatrix.GetLength(0);
int filterOffset = (filterWidth - 1) / 2; //смещение от центра
if (mode == ConvolutionMode.expand)
{
source = (Bitmap)source.Expand(filterOffset);
}
//Для того, чтобы получить доступ к основные ARGB значения из Bitmap объекта мы сначала должны заблокировать Bitmap в памяти
//Блокировка Bitmap в памяти предотвращает Garbage Collector от перемещения Bitmap объект на новое место в памяти.
//При вызове Bitmap.LockBits метод исходный код создает экземпляр BitmapData объект из возвращаемого значения.
BitmapData sourceData = source.LockBits(new Rectangle(0, 0,
source.Width, source.Height),
ImageLockMode.ReadOnly, PixelFormat.Format32bppArgb);
//BitmapData.Stride свойство представляет ряд байтов в одном растрового подряд пикселей.
//В этом сценарии BitmapData.Stride должна быть равна ширине Bitmap в пикселях, умноженных на четыре,
//так как каждый пиксель состоит из четырех байтов: Альфа, Красный, Зеленый и Синий.
byte[] pixelBuffer = new byte[sourceData.Width * 4 * sourceData.Height];
int resWidth = source.Width - filterOffset * 2;
int resHeight = source.Height - filterOffset * 2;
byte[] resultBuffer = new byte[resWidth * 4 * resHeight];
//свойствл BitmapData.Scan0 BitmapData типа IntPtr представляет собой адрес памяти первого байта Bitmap
//Использовуя Marshal.Copy метод, мы укажем адрес памяти отправной точки,
//откуда начнём копирование байт Bitmap.
Marshal.Copy(sourceData.Scan0, pixelBuffer, 0, pixelBuffer.Length);
//Если растр был заблокирован в памяти обеспечим снятие блокировки с помощью вызова метода Bitmap.UnlockBits.
source.UnlockBits(sourceData);
double blue = 0.0;
double green = 0.0;
double red = 0.0;
int calcOffset = 0;
int byteOffset = 0;
int byteOffset1 = 0;
int width = source.Width;
int height = source.Height;
//проходим по массиву так, чтобы маска вписалась внутрь
for (int offsetY = filterOffset; offsetY < height - filterOffset; offsetY++)
{
for (int offsetX = filterOffset; offsetX < width - filterOffset; offsetX++)
{
blue = 0;
green = 0;
red = 0;
byteOffset = offsetY *
width * 4 +
offsetX * 4;
byteOffset1 = (offsetY - filterOffset) * (width - 2 * filterOffset) * 4 +
(offsetX - filterOffset) * 4;
//Инициирование цикла с отрицательными значениями упрощает реализацию концепции соседних пикселей.
for (int filterY = -filterOffset; filterY <= filterOffset; filterY++)
{
for (int filterX = -filterOffset; filterX <= filterOffset; filterX++)
{
//вычисляет индекс соседнего пиксела в отношении текущего пикселя.
calcOffset = byteOffset +
(filterX * 4) +
(filterY * width * 4);
//матрица значение применяется в качестве фактора индивидуальных цветовых компонентов соответствующих соседним пикселям.
//Результаты будут добавлены в итоговые переменные голубых, зеленых и красных каналов.
blue += (double)(pixelBuffer[calcOffset]) *
filterMatrix[filterY + filterOffset,
filterX + filterOffset];
green += (double)(pixelBuffer[calcOffset + 1]) *
filterMatrix[filterY + filterOffset,
filterX + filterOffset];
red += (double)(pixelBuffer[calcOffset + 2]) *
filterMatrix[filterY + filterOffset,
filterX + filterOffset];
}
}
//применяем коэффициент и добавить смещения, заданного параметром фильтра.
blue = factor * blue + bias;
green = factor * green + bias;
red = factor * red + bias;
//Цветовые компоненты могут содержать только значение в диапазоне от 0 до 255 включительно.
//Прежде, чем мы присвоить рассчитанное значение цветового компонента, мы гарантируем,
//что значение находится в пределах требуемого диапазона.
//Значения, которые превышают 255 установим на 255, а менее 0 устанавливаются в 0.
if (blue > 255)
{
blue = 255;
}
else if (blue < 0)
{
blue = 0;
}
if (green > 255)
{
green = 255;
}
else if (green < 0)
{
green = 0;
}
if (red > 255)
{
red = 255;
}
else if (red < 0)
{
red = 0;
}
if ((channels & Channel.BLUE) == Channel.BLUE)
{
resultBuffer[byteOffset1] = (byte)Math.Round(blue);
}
else
{
resultBuffer[byteOffset1] = pixelBuffer[byteOffset];
}
if ((channels & Channel.GREEN) == Channel.GREEN)
{
resultBuffer[byteOffset1 + 1] = (byte)Math.Round(green);
}
else
{
resultBuffer[byteOffset1 + 1] = pixelBuffer[byteOffset + 1];
}
if ((channels & Channel.RED) == Channel.RED)
{
resultBuffer[byteOffset1 + 2] = (byte)Math.Round(red);
}
else
{
resultBuffer[byteOffset1 + 2] = pixelBuffer[byteOffset + 2];
}
resultBuffer[byteOffset1 + 3] = 255;
}
}
//создание нового растрового экземпляр объекта и копирование результат расчета буфера
Bitmap resultBitmap = new Bitmap(resWidth, resHeight);
BitmapData resultData = resultBitmap.LockBits(new Rectangle(0, 0,
resWidth, resHeight),
ImageLockMode.WriteOnly, PixelFormat.Format32bppArgb);
Marshal.Copy(resultBuffer, 0, resultData.Scan0, resultBuffer.Length);
resultBitmap.UnlockBits(resultData);
return(resultBitmap);
}