OpenCV滤波器

滤波的作用
一副图像通过滤波器得到另一副图像；其中滤波器又称为卷积核，滤波的过程称为卷积。

图像卷积效果图

卷积的过程

一 卷积的几个基本概念

1 卷积核的大小

卷积核一般为奇数，如3X3,5X5,7X7等。
一方面是增加padding的原因。
另一面是保证锚点在中间，防止位置发生偏移的原因；
在深度学习中，卷积核越大，看到的信息(感受野)越多。提取的特征越好，同时计算量也就越大。

2 锚点

3 边界扩充

当卷积核打印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，则输出数据的空间尺寸将与输入相等。

计算公式

4 步长

5 低通滤波与高通滤波

低通滤波可以去除噪音或平滑图形；
高通滤波可以帮助查找图像的边缘；

filter2D(src,ddepth,kernel,anchor,delta,borderType)

一个简单的例子

二 拉普拉斯算子

可以同时求两个方向的边缘
对噪音敏感，一般需要先进行去噪再调用拉普拉斯。

Lapacian(img,ddepth
ksize=1,scale=1
borderType=BORDER_DEFAULT)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

# 索贝尔算子Y方向边缘
#d1=cv2.Scharr(img,cv2.CV_64F,1,0)
# 索贝尔算子X方向边缘
#d2=cv2.Scharr(img,cv2.CV_64F,0,1)
#拉普拉斯
ldst=cv2.Laplacian(img,cv2.CV_64F,ksize=5)

#dst=cv2.add(d1,d2)
cv2.imshow('img',img)
cv2.imshow('ldst',ldst)
cv2.waitKey(0)

三 边缘检测 Canny

使用5x5高斯滤波消除噪声
计算图像梯度的方向(0°/45°/90°/135°)
取局部极大值
阈值计算

Canny API
Canny(img,minVal,maxVal,..)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

dst=cv2.Canny(img,100,200)

cv2.imshow('img',img)
cv2.imshow('dst',dst)

cv2.waitKey(0)

四 方盒滤波与均值滤波

normalize=true,a=1/WxH
normalize=fasle,a=1
当normalize==true时
方盒滤波==平均滤波

两个滤波器API

boxFilter(src,ddepth,ksize,anchor,normalize,borderType)
blur(src,ksize,anchor,borderType)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

dst=cv2.blur(img,(5,5))

cv2.imshow('blur',dst)
cv2.waitKey(0)

五 高斯滤波

原理

高期权重

GaussianBlur(img,kernel,sigmaX,sigmaY,...)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

dst=cv2.GaussianBlur(img,(5,5),2)

cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.waitKey(0)

六 中值滤波

假设有一个数组[1556789],取其中的中间值作为卷积后的结果值。
优点：
中值滤波的优点是对胡椒噪音效果明显。

胡椒噪音图

中值滤波API

medianBlur(img,ksize)

七 双边滤波

双倍滤波的优点
可以保留边缘，同时可以对边缘内的区域进行平滑处理。
双边滤波的作用是进行美颜。
双边滤波的原理

双边滤波API

bilateraFilter(img,d,sigmaColor,sigmaSpace,...)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

#双边滤波
dst=cv2.bilateralFilter(img,9,75,75)

cv2.imshow('img',img)

cv2.imshow('dst',dst)

cv2.waitKey(0)

八 高通滤波

1 常见的高通滤波

Sobel（索贝尔）(高斯)
Scharr（沙尔）
Sobel算子
先向x方向求导
然后在y方向求导
最终结果：|G|=|Gx|+|Gy|

Sobel API

Sobel(src,ddepth,dx,dy,ksize=3,scale=1,delta=0,borderType=BORDER_DEFAULT)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

#索贝尔算子Y方向边缘
dst1=cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)
dst2=cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)
cv2.imshow('img',img)

cv2.imshow('dst',dst1)
cv2.imshow('dst2',dst2)

cv2.waitKey(0)

2 沙尔算子

与Sobel类似，只不过使用的kernel值不同。

Scharr只能求x方向或y方向的边缘。

Scharr(src,ddepth,dx,dy,
scale=1,delta=0,borderType=BORDER_DEFAULT)

import cv2
import numpy as np

img=cv2.imread('./2037551.jpg')

dst1=cv2.Scharr(img,cv2.CV_64F,1,0)

dst2=cv2.Scharr(img,cv2.CV_64F,0,1)

cv2.imshow('img',img)

cv2.imshow('dst',dst1)

cv2.imshow('dst2',dst2)

cv2.waitKey(0)