深度学习之Python，OpenCV中的卷积

这篇博客将介绍图像内核和卷积。如果将图像视为一个大矩阵，那么图像内核只是一个位于图像顶部的微小矩阵。从左到右和从上到下滑动内核，计算输入图像和内核之间的元素乘法总和——称这个值为内核输出。内核输出存储在与输入图像相同 （x， y） 坐标的输出图像中（在考虑任何填充以确保输出图像具有与输入相同的尺寸后）。

鉴于对卷积的新了解，定义了一个OpenCV和Python函数来将一系列内核应用于图像。包括平滑模糊图像、锐化图像、拉普拉斯内核并检测边缘，sobel_x,y内核查找图像的梯度变化等操作。

最后，简要讨论了核/卷积在深度学习中扮演的角色，特别是卷积神经网络，以及如何自动学习这些过滤器，而不是需要先手动定义它们。手动实现卷积函数是为了明白卷积是怎么计算的，以及opencv自带的卷积函数cv2.filter2D。

1. 效果图

将图像视为大矩阵，将内核视为小矩阵（至少相对于原始的“大矩阵”图像）：
内核是一个小矩阵，在较大的图像上从左到右和从上到下滑动。在输入图像中的每个像素处，图像的邻域与内核卷积并存储输出。

卷积运算符可以应用于 RGB（或其他多通道图像），但为简单起见，这篇博客中仅将过滤器应用于灰度图像。调用 cv2.filter2D将内核应用于灰色图像。cv2.filter2D 函数是opencv自带的，自定义卷