Bilder som matriser

En färgbild är en matris av matriser: för varje pixel tre tal 0–255 (rött, grönt, blått).

I kod har bilden formen (höjd, bredd, kanaler). En bild på 32 × 32 pixlar i färg har formen (32, 32, 3) och innehåller 3 072 tal.

Att göra saker med bilden är att räkna på talen:

• Ljusare: lägg till 40 på alla värden (men klipp vid 255).
• Gråskala: slå ihop de tre kanalerna till ett värde.
• Beskära: ta ut ett rektangulärt utsnitt av matrisen.
• Spegelvända: läs kolumnerna baklänges.

import numpy as np

bild = np.zeros((4, 6, 3), dtype=np.uint8)   # svart bild, 4 rader × 6 kolumner
bild[:, 3:, 0] = 255                          # höger halva röd
print(bild.shape, bild.size)                  # (4, 6, 3) 72

gra = bild.mean(axis=2)                       # slå ihop kanalerna → (4, 6)
print(gra.shape, gra[0, 0], round(float(gra[0, 4]), 1))   # (4, 6) 0.0 85.0

ljusare = np.clip(bild.astype(int) + 40, 0, 255).astype(np.uint8)
utsnitt = bild[1:3, 2:5]                      # rader 1–2, kolumner 2–4
spegel = bild[:, ::-1]                        # vänd vänster/höger
print(utsnitt.shape, spegel.shape)            # (2, 3, 3) (4, 6, 3)

Ett CNN gör i grunden samma sak: glider ett litet filter över matrisen och räknar. Skillnaden är att filtrets tal lärs in i stället för att du väljer dem.