计算机视觉系列教程 (二)卷积与滤波详解

最新推荐文章于 2023-06-03 00:24:17 发布
最新推荐文章于 2023-06-03 00:24:17 发布
阅读量351 收藏 1
点赞数
分类专栏： 图像处理

什么是滤波？

要了解什么是滤波，首先要知道什么是波。

图像原本只是一种随时间推移的波形图，也就是图像一开始处于时域状态，而我们并不能从时域图像中看出什么东西（除了一堆突起），而伟大的傅里叶公式让图像从时域中转换到的频域中。

引用一幅图 会看的更加清楚http://blog.jobbole.com/70549/



从这幅图中可以看出来，图像其实是由不同频率的波长组成的，存在着高频部分和低频部分，当然这之间没有明确界限，我们需要知道的是高频部分和低频部分到底代表着什么。


高频部分其实就是代表着这幅图像的边缘信息，也就是锐度。

低频部分刚好相反，代表的是这幅图像的灰度变化信息，也就是内容。

那么我们把高频部分的波称作为高频波，低频部分的则称为低频波。这就是波。


那么什么事滤波呢，顾名思义，就是将某一部分波过滤掉。

什么是卷积？

卷积的运用很广泛，在数据结构中也有相对应 的卷积，而在图像处理中，卷积就更加有用了。

通俗的讲，卷积其实就是加权求和，卷积模板就是权值。


比如 下面这幅图





我们挑选这点（2，2）的周围（3*3）区域作为卷积对象，首先，我们要设定卷积模板（当然模板也要3*3）

首先 我们假定这3*3区域内的灰度值为  （3，3，3；2，2，1；1，2，3）；

那么我们假定一个卷积模板为（1，2，1；0，0，0，-1，-2，-1）；

则我们做卷积运算，对应加权求和：   sum=1*3+3*2+3*1+0*2+0*2+0*1+（-1）*1+（-2）*2+（-1）*3；

算下来为sum=4；

我们把灰度值4作为（2，2）点的新灰度，就完成了这次卷积运算。很简单是不是。



了解过卷积以后，我们就懂了一个新的名词————滤波器，滤波器就是一个特定的公式导出的一个特定的卷积模板。


高通滤波器


高通滤波器 就是让图像高频波通过，滤掉低频波部分，保留边缘信息。

我们常见的高通滤波器有：sobel，Laplacian等


Sobel算子，就是对图像求导（一阶导数），x方向 y方向对应着两个不同的算子

x方向（1，0，-1；2，0，-2，；1，0，-1）；

y方向（1，2，1；0，0，0；-1，-2，-1）；


Laplacian算子 这个算子是对图像求二阶导数，就一个算子

（0，1，0；1，-4，1；0，1，0）；


为了亮度归一化 算子求和一般为0；


我们写个小程序来试一下效果，首先我们利用自己的算法来实现一下。


首先我们建立一个Laplacian小模板（3*3）的；


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
      
     
     Mat ModelLaplacian(3,3,CV_8SC1);
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     0,
     
     0)=
     
     0;
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     0,
     
     1)=
     
     1;
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     0,
     
     2)=
     
     0;
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     1,
     
     0)=
     
     1;
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     1,
     
     1)=
     
     -4;
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     1,
     
     2)=
     
     1;
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        ModelLaplacian.at<
     
     char>(
     
     2,
     
     0)=
     
     0;
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     2,
     
     1)=
     
     1;
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     2,
     
     2)=
     
     0;



然后我们对每一个图像点进行加权赋值（注意边界点的处理，可以摄取，也可以利用半模板加权） 



 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      Mat lapimage=Mat(image.rows,image.cols,CV_8UC1);
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
     
     for (
     
     int i=
     
     1;i<image.rows
     
     -1;i++){
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
           
     
     for(
     
     int j=
     
     1;j<image.cols
     
     -1;j++){
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                
     
     int sum=
     
     0;
     
     //加权求和
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                
     
     for (
     
     int m=
     
     0;m<
     
     3;m++){
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                  
     
     for(
     
     int n=
     
     0;n<
     
     3;n++){
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                        sum+=((
     
     int)ModelLaplacian.at<
     
     char>(m,n)*(
     
     int)image.at<uchar>(i+m
     
     -1,j+n
     
     -1));
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                   }
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                }
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                lapimage.at<uchar>(i,j)=sum;
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
          }
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        }

这样就完成了整个过程 下面是所有代码： 


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include <iostream>
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     #include <opencv.hpp>
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     using 
     
     namespace cv;
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     using 
     
     namespace 
     
     std;
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     int main(){
    
    
    
   
   
  12. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  13. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         Mat image=imread(
     
     "mountain.jpg",
     
     1);
    
    
    
   
   
  14. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
       
     
     //imshow("result",image);
    
    
    
   
   
  15. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
     
     //waitKey(0);
    
    
    
   
   
  16. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  17. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  18. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        GaussianBlur(image,image,cvSize(
     
     5,
     
     5),
     
     5,
     
     5);
     
     //高斯模糊
    
    
    
   
   
  19. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       cvtColor(image,image,CV_RGB2GRAY);
    
    
    
   
   
  20. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
      
     
     //cout<<image;
    
    
    
   
   
  21. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  22. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
     
     Mat ModelLaplacian(3,3,CV_8SC1);
    
    
    
   
   
  23. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  24. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      ModelLaplacian.at<
     
     char>(
     
     0,
     
     0)=
     
     0;
    
    
    
   
   
  25. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     0,
     
     1)=
     
     1;
    
    
    
   
   
  26. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     0,
     
     2)=
     
     0;
    
    
    
   
   
  27. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     1,
     
     0)=
     
     1;
    
    
    
   
   
  28. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     1,
     
     1)=
     
     -4;
    
    
    
   
   
  29. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      ModelLaplacian.at<
     
     char>(
     
     1,
     
     2)=
     
     1;
    
    
    
   
   
  30. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     2,
     
     0)=
     
     0;
    
    
    
   
   
  31. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     2,
     
     1)=
     
     1;
    
    
    
   
   
  32. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       ModelLaplacian.at<
     
     char>(
     
     2,
     
     2)=
     
     0;
    
    
    
   
   
  33. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  34. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  35. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         Mat lapimage=Mat(image.rows,image.cols,CV_8UC1);
    
    
    
   
   
  36. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
        
     
     for (
     
     int i=
     
     1;i<image.rows
     
     -1;i++){
    
    
    
   
   
  37. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
          
     
     for(
     
     int j=
     
     1;j<image.cols
     
     -1;j++){
    
    
    
   
   
  38. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  39. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
              
     
     int sum=
     
     0;
     
     //加权求和
    
    
    
   
   
  40. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
               
     
     for (
     
     int m=
     
     0;m<
     
     3;m++){
    
    
    
   
   
  41. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
                 
     
     for(
     
     int n=
     
     0;n<
     
     3;n++){
    
    
    
   
   
  42. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                       sum+=((
     
     int)ModelLaplacian.at<
     
     char>(m,n)*(
     
     int)image.at<uchar>(i+m
     
     -1,j+n
     
     -1));
    
    
    
   
   
  43. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                  }
    
    
    
   
   
  44. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                }
    
    
    
   
   
  45. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                lapimage.at<uchar>(i,j)=sum;
    
    
    
   
   
  46. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  47. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
          }
    
    
    
   
   
  48. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        }
    
    
    
   
   
  49. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  50. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
       imshow(
     
     "result",lapimage);
    
    
    
   
   
  51. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
      waitKey(
     
     0);
    
    
    
   
   
  52. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  53. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
        system(
     
     "pause");
    
    
    
   
   
  54. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
       
     
     return 
     
     0;
    
    
    
   
   
  55. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     }

下面是效果：









低通滤波器

低通滤波器就是将高频部分滤掉，保留低频部分，其实就是模糊，降噪。

通常低通滤波器有高斯滤波器等。

高斯滤波就是利用了正态分布方程作为卷积模板的建立方程，所能去除的是高斯噪声。

函数实现起来也很简单 和上面的滤波一样 只是卷积模板要通过高斯方程求解一下而已。

opencvAPI也就一句话 GaussianBlur，这个函数利用了高斯方程的高阶可分离性，将二位的卷积计算转化为两次一维运算，大大减少运行时间。





滤波器的作用


滤波器通常用在预处理图像上，就比如我刚刚想要用拉普拉斯算子做二阶边缘提取，我先是用了高斯模糊去除了高斯噪声，因为拉普拉斯算子对噪声非常敏感，如果不去除高斯噪声将会像下图一样






很乱 很难看 很没有价值 很多时候，一个好的预处理可以将一个算法提高到一个新的效果。滤波就担任着这样的职责！！！
青龙战
关注
专栏目录
从零开始大模型开发与微调：PyTorch的深度可分离膨胀卷积详解
AI天才研究院
09-24 638
从零开始大模型开发与微调：PyTorch的深度可分离膨胀卷积详解 关键词： 深度可分离卷积 膨胀卷积 PyTorch 卷积神经网络 大模型开发 微调
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-06 2万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
图像卷积滤波的原理和均值滤波，盒型滤波，高斯滤波，中值滤波 ，双边滤波的Python程序实现
逗创科技——逗创创的博客
03-06 5295
图像卷积滤波的基本原理： 一个二维的滤波器矩阵（也就是卷积核）和一个要处理的二维图像；对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值，这样就完成了滤波过程。 不难发现，用3×3的核对一副6×6的图像进行卷积，得到的是4×4的图，图片缩小了！那怎么办呢？我们可以把原图扩充一圈，再卷积，这个操作叫padding。 事实上，原图为n×n，卷积核为f...
学习笔记(07):一学即懂的计算机视觉（第一季）-最浅显的卷积与滤波概念讲解！...
wushuai123_的博客
02-11 108
图像处理和计算机视觉的课程大家已经看过很多，但总有“听不透”，“用不了”的感觉。课程致力于创建人人都能听的懂的计算机视觉，通过生动、细腻的讲解配合实战演练，让学生真正学懂、用会。课程内容分为三篇，包括视觉系统构成，图像处理基础，特征提取与描述，运动跟踪，位姿估计，三维重构等内容。课程理论与实战结合，注重教学内容的可视化和工程实践，为人工智能视觉研发及算法工程师等相关高薪职位就业打下坚实基础。...
js设计一个带开关的时钟_滤波器——利用开关电容滤波器实现抗混叠滤波
weixin_39997696的博客
11-13 381
带外杂散信号所引起的混叠现象是A/D转换器应用中所面临的关键问题，如果没有适当的滤波处理，这些信号会严重影响数据转换系统的性能指标。本文主要讨论抗混叠滤波的原理及其对系统性能的影响。本文针对这一应用，提供了一个开关电容滤波器设计范例，该方案具有极高的性价比。本文几乎涵盖了所有与高性能系统设计有关的重要参数和实际问题。产生混叠的来源：这一点在奈奎斯特定理中给出了说明。奈奎斯特定理指出：时间...
卷积的意义及在信号滤波中的作用
qq_45571855的博客
03-04 5614
所谓两个函数的卷积，本质上就是先将一个函数进行翻转，然后进行滑动叠加。教科书上谈及卷积往往是直接从其抽象的数学意义上给予叙述并在函数图像上进行解释，但这样的叙述和解释往往不好理解，因此本文先从一个具体的例子开始阐述卷积的意义，然后详细讲解了信号滤波中的卷积。在本文中，我们以具体、形象的物理角度去理解卷积，并发现卷积的魅力和巨大作用。
【计算机视觉】初识基础：傅里叶变换、图像滤波、卷积及高斯模糊等
weixin_44288688的博客
02-21 1561
什么是计算机视觉 计算机视觉是一门研究如何使机器“看”的科学，指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等计算机视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给一起检测的图像。 一些需要了解的概念 ·图像 图像深度：存储每个像素的位数（bits） 像素占用的位数越多，表现的颜色越多 图片格式与压缩：常见的图片格式JPEG，PNG，BMP等本质上都是图片的一种压缩编码方式 ·视...
注意力机制详解系列（三）：空间注意力机制
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-28 1万+
本篇为注意力机制系列第三篇，主要介绍注意力机制中的空间注意力机制，着重详解DCN、Non-local、ViT、DETR等模型，下一篇将对混合注意力机制和时域注意力机制进行讲解。
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
卷积与采样还原、滤波器的联系（应用篇）
oShuMiLe的博客
07-24 1047
转载自：http://blog.sina.com.cn/s/blog_7445c2940102wmke.html 说明：文章只用于学习分享记录，不涉及任何利益。 本文重点关注卷积的作用或者说应用，从对应用的了解逐步揭开卷积这个数学工具的神秘面纱，以加深对卷积的理解。因此，在阅读本文的之前需要对卷积有一定的了解。幸运的是，网上已经有很多大神对卷积进行了生动形象的描述，详尽的介绍了卷积运算
通过领域滤波（卷积）来实现图像滤镜效果
bigcat133的专栏
12-25 1217
这篇文章中主要是通过python对卷积的滤镜效果实现，在性能上并未做任何优化。如果对滤镜的调用感兴趣的朋友可以直接参考代码后面部分图像滤镜函数的调用 =================================================================================== 领域算子是利用给定像素周围的像素值决定此像素的最终输出值。领域算子除了
opencv利用卷积实现自定义线性滤波
Rookie Linux的博客
02-29 282
为了实现自定义滤波我们先了解一下卷积与算子 卷积是图像处理中一个操作，是kernel在图像的每个像素上的操作。 Kernel本质上一个固定大小的矩阵数组，其中心点称为锚点(anchor point)，如下图 把kernel放到像素数组之上，求锚点周围覆盖的像素乘积之和（包括锚点），用来替换锚点覆盖下像素点值称为卷积处理。 例如： Sum = 8x1+6x1+6x1+2x1+8x1+...
图像卷积与滤波~
whaosoft143ai的博客
06-03 641
卷积相关知识点的一些总结。线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置，这个操作就叫卷积或者协相关。whaosoft aiot http://1
CV学习笔记（六）：均值滤波与高斯滤波
zenRRan的博客
11-09 2545
关注“深度学习冲鸭”，一起学习一起冲鸭！设为星标，第一时间获取更多干货作者：云时之间来源：知乎链接：https://zhuanlan.zhihu.com/p/106587858编辑：王萌...
在OpenCV中利用卷积进行图像滤波
TSINGHUAJOKING
01-31 1556
简 介： 本文首先讨论了卷积核的概念，以及如何用于对图像进行滤波。然后通过他们对图像进行数学运算来实现特定的效果，比如平和和锐化。展示了如何在OpenCV中实现2D滤波。 在等同卷积卷积核之后，我们创建了更多定制的核，用在OpenCV中的 filter2D()函数中。 介绍了OpenCV中的重要内置函数MediaBlur()，GaussianBlur()。 最后展示了 OpenCV中的 bilateralFilter()函数，是如何在保留图片中清晰边缘的同时又平滑了图像。 关键词： 中值滤波，平滑滤波，..
从RC低通滤波到卷积的理解
qq_44896497的博客
05-12 2972
从RC低通滤波到卷积的理解 低通滤波器（英语：Low-pass filter）容许低频信号通过，但减弱（或减少）频率高于截止频率的信号的通过。对于不同滤波器而言，每个频率的信号的减弱程度不同。当使用在音频应用时，它有时被称为高频剪切滤波器，或高音消除滤波器。 高通滤波器则相反，而带通滤波器则是高通滤波器同低通滤波器的组合。低通滤波器概念有许多不同的形式，其中包括电子线路（如音频设备中使用的hiss滤波器、平滑数据的数字算法、音障（acoustic barriers）、图像模糊处理等等)。低通滤波器在信号处理
图像滤波/卷积操作
HaisHa1的博客
04-27 1721
一、图像卷积/滤波 图像卷积操作可以看成是一个窗口区域在另外一个大的图像上移动，对每个窗口覆盖的区域都进行点乘得到的值作为中心像素点的输出值。窗口的移动是从左到右，从上到下。窗口可以理解成一个指定大小的二维矩阵，里面有预先指定的值，一般也称为卷积核。 二、滤波分类 1、线性滤波： 对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常...
CV9 2D卷积与图像滤波
yzfzzz的博客
02-15 1101
一 卷积简介 假设你的老板命令你干活，你却偷偷上班划水摸鱼，后来被老板发现，他非常气愤，扇了你一巴掌（注意，这就是输入信号，脉冲），于是你的脸上会渐渐地鼓起来一个包，你的脸就是一个系统，而鼓起来的包就是你的脸对巴掌的响应，好，这样就和信号系统建立起来意义对应的联系。下面还需要一些假设来保证论证的严谨：假定你的脸是线性时不变系统，也就是说，无论什么时候老板打你一巴掌，由于老板的力度掌控的不那么好，脸上的包一开始肿的程度也不一样（输入信号不恒定），并且假定以鼓起来的包的大小作为系统输出。好了，那么，下面可以进入
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值