生成卷积核、自定义核、可拆分核、filter2D、sepFilter2D

1.生成卷积核

生成卷积核，一般用于生成一些常见的核，比如Sobel核和Scharr核以及Gaussian核。

首先来看导数滤波器的核，Sobel核和Scharr的核，这两个核都属于可分解核，可以分解为一个列向量ky和一个行向量kx。先来看一看导数滤波器函数：

getDerivKernels(
OutputArray kx,    //X方向的核
OutputArray ky,    //Y方向的核
int dx,            //如果需要输出X方向的核则设置为1 否则为0
int dy,            //如果需要输出Y方向的核则设置为1 否则为0
int ksize,         //核的大小
bool normalize=true,//元素是否规范化
int ktype = CV_32F  //滤波器类型（默认和kx，ky类型相同）
);

对于参数ksize我们可以取1，3，5，7，这是得到sobel核，也可以取SCHARR得到的就是scharr核。

对于元素是否归范化，如果是浮点型的图像应该规范化。如果图像为整形那么就设置为false，否则会导致精度丢失。

我们使用的高斯滤波函数是由opencv提供的，当然我们也可以先得到高斯核在进行高斯滤波

Mat getGaussianKernel(
int ksize,         //卷积核大小
double sigma,      //正态分布方差
int ktype=CV_32F,  //滤波器的类型
);

具体的参数我们已经在高斯滤波器那一节详细讲解过了，这边我们就不再学习，但是值得注意点是我们可以设置sigma=-1，ksize将自动计算，且ksize必须为奇数。

我们得到了卷积核那么我们需要用卷积核进行卷积运算

2.卷积运算

我们通常直接使用相应功能的滤波函数直接完成卷积运算，但是我们若是自定义了一个核，我们就需要使用卷积函数进行卷积运算，当然我们可以遍历整个数组然后再进行卷积运算，但是操作过于复杂我们直接用OpenCV完成并进行优化。OpenCV提供了两个函数来实现这个功能，一个是filter2D()，另一个是sepFilter2D()

先来看filter2D()

void filter2D(
InputArray src,           //输入图像
OutputArray dst,          //输出图像
int ddepth,               //输出图像数据类型
InputArray kernel,        //输入卷积核
Point anchor=Point(-1,-1),//中心像素对齐方式
double delta=0,           //结果灰度是否需要加减delta
int borderType=BORDER_DEFAULT//默认边缘平滑方式
)；

这个函数中需要注意点是ddepth这个参数，满足下表，否则可能发生截断

还有一个函数sepFilter2D()相较于filter2D()，这个函数用于参与卷积运算的核是可分核，也就是X方向和Y方向的核

void sepFilter2D(
InputArray src,            //输入图像
OutputArray dst,           //输出图像
int ddepth,                //输出图像深度
InputArray rowKernel,      //输入X方向的核
InputArray columnKernel,   //输入Y方向的核
Point anchor=Point(-1,-1), //中心像素对齐方式
double delta,              //中心像素灰度加减delta
int borderType=BORDER_DEFAULT//边缘平滑方式
);

3.自定义核

自定义核指的是我们对卷积核的大小和形状进行设置

Mat getStructuringElement(
int shape,               //卷积核形状
Size ksize,              //卷积核大小
Point anchor=Point(-1,-1)//默认锚点在卷积核中心
);

卷积核形状参数列表

enum｛
MORPH_RECT，
MORPH_ELLIPSE，
MORPH_CROSS
｝

4.可拆分卷积核

先来说明一下什么是可拆分核

一个卷积核可以看做一个1*n的核和一个n*1的核做卷积运算，便称为可拆分卷积核

I是一个图像的核，和一个卷积核做卷积运算，可以认为这个图像的核分别与这个1*n的核和n*1的核做卷积运算，那么这么做有什么好处呢，可以减少时间复杂度。（这个的推导过程我就不详细写了感兴趣的可以自行推导）这也是为什么我们要将一个卷积核拆分成两个核的卷积，同时随着图像的变大，运算的优越性越明显。