OpenCV学习(一) 相关和卷积

最新推荐文章于 2023-10-03 22:28:24 发布

beingod0

最新推荐文章于 2023-10-03 22:28:24 发布

阅读量330

点赞数

分类专栏：学习文章标签： opencv

本文链接：https://blog.csdn.net/beingod0/article/details/104615789

版权

学习专栏收录该内容

15 篇文章 0 订阅

订阅专栏

概念

相关
在这里插入图片描述
卷积:

相关重在表示两件事物之间存在的关联性，而卷积这一改念，更多是信号的叠加概念，参考下面链接
卷积-知乎

实现

围绕opencv的filter2D实现相关和卷积操作

CV_EXPORTS_W void filter2D( InputArray src, OutputArray dst, int ddepth,
                            InputArray kernel, Point anchor = Point(-1,-1),
                            double delta = 0, int borderType = BORDER_DEFAULT );

注意到头文件的一段说明

The function does actually compute correlation, not the convolution:
That is, the kernel is not mirrored around the anchor point. If you need a real convolution, flip
the kernel using cv::flip and set the new anchor to `(kernel.cols - anchor.x - 1, kernel.rows -
anchor.y - 1)`.

说明filter2D实际做的操作是相关计算，而非卷积计算。我们常见的sobel算子（3x3大小）
在这里插入图片描述
使用cv::flip函数得到实际上的卷积顺序

在这里插入图片描述
利用filer2D实现相关计算和卷积计算
以lena灰度图为例子
lena
相关输出

卷积输出

实际上，从这一结果更明显看出的是相关性，图中鼻子高量部分，在sobel算子的相关计算中，显现了出来，以为实际灰度图上的鼻子部分，在opencv 图像的x轴向也是由暗变亮的。

opencv也可以实现简单的图像卷积操作，本实验中得到的单层卷积效果和相关的结果区别不大，但不等同于相关。卷积在神经网络中由更为广泛的应用。

上述操作实现的代码

#include <iostream>

#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main(int argc, char **argv)
{
	Mat image;
	printf("%d \n", argc);
	if(argc > 1)
	{
		image = imread(argv[1]);
	}
	else
	{
		image = imread("../res/lena.jpg");
	}
	Mat gray;
	cvtColor(image, gray, CV_RGB2GRAY);
	imshow("in", gray);

	// sobel
	Mat sobel_x = (cv::Mat_<float>(3,3) << -1,0,1,-2,0,2,-1,0,1);
	Mat sobX;
	filter2D(gray, sobX, -1, sobel_x);
	imshow("sobel x", sobX);
	cout << sobel_x << endl;
	flip(sobel_x, sobel_x, -1);
	cout << sobel_x << endl;
	filter2D(gray, sobX, -1, sobel_x);
	imshow("sobel x2", sobX);

	waitKey(0);
	return 0;
}