win10+Python3.7.3+OpenCV3.4.1入门学习（七）————7.6 2D卷积，滤波总结

Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm

OpenCV提供了多种滤波方式，来实现平滑图像的效果，例如均值滤波、方框滤波、高斯滤波、中值滤波等。大多数滤波方式所使用的卷积核都具有一定的灵活性，能够方便地设置卷积核的大小和数值。但是，我们有时希望使用特定的卷积核实现卷积操作，例如使用如下卷积核进行卷积操作。

前面介绍过的滤波函数都无法将卷积核确定为上述形式，这时要使用OpenCV的自定义卷积函数。
在OpenCV中，允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是cv2.filter2D()，其语法格式为：

dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )

式中：
● dst是返回值，表示进行方框滤波后得到的处理结果。
● src是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一种。
● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
● kernel是卷积核，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成操作。
● anchor是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
● delta是修正值，它是可选项。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果。
● borderType是边界样式，该值决定了以何种情况处理边界，通常使用默认值即可。
在通常情况下，使用滤波函数cv2.filter2D()时，对于参数锚点anchor、修正值delta、边界样式borderType，直接采用其默认值即可。因此，函数cv2.filter2D()的常用形式为：

dst = cv2.filter2D( src, ddepth, kernel )

eg1：自定义一个卷积核，通过函数cv2.filter2D()应用该卷积核对图像进行滤波操作，并显示滤波结果。
分析：根据题目要求，设计一个9×9大小的卷积核，让卷积核内所有权重值相等，如下所示：

借助numpy库中的ones()函数即可创建该卷积核，具体的语句为：

kernel = np.ones((9,9), np.float32)/81

代码如下：

import cv2
import numpy as np
o=cv2.imread("image\\lena.bmp")
kernel = np.ones((9,9),np.float32)/81
r = cv2.filter2D(o,-1,kernel)
cv2.imshow("original",o)
cv2.imshow("Gaussian",r)
cv2.waitKey()
cv2.destroyAllWindows()

此程序会将原始图像以9×9大小的邻域进行均值滤波，程序运行结果如下图所示。

当然，本例中使用的卷积核比较简单，该滤波操作与直接使用均值滤波语句“r=cv2.blur(o, (5,5))”的效果是一样的。在实际应用中，可以定义更复杂的卷积核实现自定义滤波操作。

滤波器是根据原有图像的某个像素的周围像素来确定新的像素值，滤波器主要的作用是用来消去噪声的，消除图像中的不合理的像素点。滤波器主要包括线性滤波器和非线性滤波器，其中线性滤波器包括均值滤波，方框滤波和高斯滤波，非线性的主要是中值滤波。
线性滤波器：方框、均值、高斯滤波
非线性滤波器：中值滤波(对于孤立点特别敏感，保持边缘特性)
图像锐化—拉普拉斯算子
边缘检测—梯度算子（Sobel,Prewitt）