[学习opencv3] 阅读第十章

滤波与卷积

自适应阈值

cv::adaptiveThreshold()
当图像中出现较大的明暗差异时，自适应阈值是非常有效的。这个函数进处理单通道8位或浮点型图像，并且要求源图像和目标图像不同。

平滑

在一些应用中也称为“模糊”，是一种简单而又常用的图像处理操作。

目的：
通常是为了减少噪声和伪影。
在降低图像分辨率的时候，平滑也是十分重要的。

简单模糊和方框型滤波器

cv::blur()实现了简单模糊，目标图像中的每一个值都是源图像中相应位置一个窗口（核）中像素的平均值。

方框型滤波器是一种矩形的并且滤波器中所有值k_i,j全部相等的滤波器。通常k_i,j为1或者1/A，其中A是滤波器的面积。后一种滤波器称为“归一化方框型滤波器”

中值滤波器（Median Filter）

cv::medianBlur()默认核的中心点为锚点。
将每个像素替换为围绕这个像素的矩形邻域内的中值或“中值”像素（相对于平均像素）。

通过平均的简单模糊对噪声图像，尤其是有较大孤立的异常值（比如数字影像中的拍摄噪声）非常敏感。少量具有较大偏差的点也会严重影响到均值滤波。中值滤波可以采用取中间点的方式来消除异常值。

中值滤波是一种非线性核的实例。

高斯滤波器（Gaussian Filter）

cv::GaussianBlur
最有用的一种滤波器。高斯滤波对输入数组进行以此规范化的高斯核滤波，然后输出目标数组。

opencv实现的高斯平滑还为几个常用的内核提供性能上的优化。33、55以及7*7的标准sigma核（sigmaX=0.0）相对其他核性能更优。高斯模糊支持单通道/三通道的8位/32位浮点型图像等。

双边滤波器（Bilateral Filter）

cv::bilateralFilter
双边滤波器是一种比较大的图像分析算子，也就是边缘保持平滑。相对于高斯平滑，双边平滑更容易理解。高斯模糊的过程是减缓像素在空间上的变化，因此与邻域的关系紧密，而随噪声在像素间的变化幅度又会非常的大（即噪声不是空间相关的）。基于这种前提高斯平滑很好的减弱了噪声并且保留了小信号。不幸的是，这种方式破坏了边缘信息，最终结果是高斯模糊把边缘也模糊了。相似于高斯模糊，双边滤波对每个像素及其领域内的像素进行了加权平均。其权重由两部分组成，第一部分同高斯平滑；第二部分也是高斯权重，不同的是它不是基于空间距离而是色彩强度差计算而来，在多通道（彩色）图像上强度差由各分量的加权累加代替。可以把双边滤波当作是高斯平滑，只是相似程度更高的像素权值更高，边缘更明显，对比度更高。双边滤波的效果就是将原图像变成一副水彩画，这种效果在多次迭代后更加显著，因此这种方法在图像分割领域十分有用。

除源图像和目标图像外，双边滤波器还需要提供三个参数，
第一个是像素领域的直径d；
第二个是颜色空间滤波器的sigma值sigmaColor，其与高斯滤波器中的参数sigma相似；
第三个是坐标空间中滤波器的sigma值sigmaSpace。第二个参数越大，平滑时所包括的强度（色彩）越大（因此图像的不连续性将会更显著）。

滤波器的大小d对算法的效率有很大影响，通常在视频处理时不大于5，但在非实时应用方面这个值可以放大到9.你也可以在调用这个函数时将其设为-1，函数将会自动为图像计算sigmaSpace变量的值。

实际情况中，小的sigmaSpace值比如10会带来一个轻微的但也明显的效果；而大的sigmaSpace比值比如150会对图像产生非常显著的影响，使图像有一种卡通的效果。

导数和梯度

卷积中最重要也是最基础的部分就是（近似）计算导数。

卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列x(n)和h(n)，则卷积的结果

------摘自百度百科 https://baike.baidu.com/item/卷积/9411006?fr=aladdin

索贝尔（Sobel）导数

用来表示微分的最常用的算子是索贝尔（Sobel）导数算子。Sobel算子可以实现任意阶导数和混合偏导数。

cv::Sobel()

Sobel算子有一个好处就是可以将核定义为各种大小，并且可以快速、迭代式地构造这些核。大的核可以更好地近似导数，因为可以消除噪声影响。不过，假如导数在空间上变化剧烈，核太大会使结果发生偏差。

Sobel算子不是真正的导数，因为它定义在离散空间上。Sobel算子实际上表示的是一个多项式，也就是说在x方向上进行二阶Sobel运算表示的并不是二阶导数，而是对抛物线函数的局部拟合。这也就说明了为什么要使用一个更大的核，更大的核拟合了更多的像素。

Scharr滤波器

在离散空间上有很多方法来近似导数，Sobel算子的缺点是核比较小的时候准确度不高。对于大型的核，近似过程中使用了较多的点，因此精度问题不太显著。cv::Sobel()中使用的X、Y滤波器不会出现这种偏差（在X方向或Y方向），因为它们准确地与x、y轴对齐。当你需要计算某一点地梯度时，问题就来了（图像梯度的方向通过计算两个滤波器响应比值y/x的反正切值得来）。

为了将图像内的信息联系起来，你可能需要这样测量一幅图像：在处理过程中，通过在目标附近组织一副梯度直方图来收集其形状信息，这些直方图是许多形状分类器训练和使用的基础。因此，梯度角的误差会降低分类器识别的效果。

对于33的Sobel滤波器，梯度角距离水平或垂直方向越远，误差越明显。在opencv中，调用cv::Sobel()时设置kise为cv::SCHARR，即可消除33这样小但是快的Sobel导数滤波器所带来的误差。Scharr滤波器和Sobel滤波器同样很快，但是前者精度更高。因此选择3*3的滤波器时，应当使用Scharr滤波器。

拉普拉斯变换

opencv中的函数Laplacian实现了对拉普拉斯算子的离散近似。

由于Laplacian算子可以通过二阶导数定义，因此可以把它的离散实现与二阶Sobel导数联系起来。实际上，opencv在实现Laplacian算子时使用了Sobel算子。

Laplacian算子可以用于各种场景处理，
一种常见的应用就是匹配“斑点”。
同样可用于边缘检测。

图像形态学

膨胀和腐蚀