图像滤波基本知识

图像滤波：就是将一幅图像通过滤波器经过转换之后得到另一幅图像，其中滤波器又称为卷积核，滤波的过程称为卷积。

 这是一个3*3的卷积核，边更清晰了，用不同的卷积核能得到不同的图像

卷积的基本概念：

卷积核的大小：卷积核的大小一般为奇数：3*3,5*5等，一方面是增加padding的原因，另一方面是保证锚点在中间，，防止位置发生偏移的原因。卷积核大小的影响是在深度学习中，卷积核越大，看到的信息越多，提取的特征越小，同时计算量也就越大

锚点：

对于这样一个矩阵，在这个矩阵的正中心就是卷积核的锚点。

 

边界扩充：当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小，当卷积核以标准方式进行边界扩充，则输出的数据的空间尺寸将于输入相等

计算公式：N=（W-F+2*P）/S+1。其中N是输出图像大小，F卷积核大小，P扩充的尺寸，S步长大小。

步长：

如图，步长为3

 低通滤波与高通滤波：

低通滤波可以去除噪音或平滑图像，高通滤波可以帮助查找图像的边缘。

图像的卷积API：filter2D(src,ddepth,kernel,anchor,delta,borderType)

src还是要对哪一个图像进行卷积，ddepth是图像经过卷积之后图像的位深（一般设为-1），kernel（卷积核），anchor(锚点,默认为-1），delta：图像卷积（滤波）之后加的一个值（默认为0，可以不管），borderType:是边界类型（比如加黑边）一般采用默认值。

例子：

#图像卷积
img=cv.imdecode(np.fromfile(r'图片的绝对路径',dtype=np.uint8),1)
new=cv.resize(img,(900,500))
kernel=np.ones((5,5),np.float32)/25
dst=cv.filter2D(new,-1,kernel)
print(img.shape)
cv.imshow('dst',dst)
cv.imshow('img',new)
cv.waitKey(0)

 

 

 第一个是原图形，第二个是经过卷积之后的图形，第二个和第一个相比图像更模糊，因为卷积可以让图像变得平滑，平时自拍图像要说脸上有痘痘的话，可以用这种方法消除。