OpenCV基础（8）OpenCV中的卷积图像滤波

最新推荐文章于 2022-07-05 17:15:36 发布
最新推荐文章于 2022-07-05 17:15:36 发布
阅读量856 收藏 4
点赞数 1
分类专栏： OpenCV 文章标签： opencv python C++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43229348/article/details/120436810
版权

你有没有试过在Photoshop或移动应用程序的帮助下模糊或锐化图像?如果是，那么您已经使用过卷积核。在这里，我们将解释如何在OpenCV中使用卷积进行图像滤波。

您将使用2d卷积核和OpenCV计算机视觉库应用不同的模糊和锐化技术的图像。我们将向您展示如何在Python和c++中实现这些技术。

我们将使用下面的图像为我们所有的编码操作。
在这里插入图片描述
让我们先看一看将用于过滤图像的代码。我们将详细讨论每一行代码，以便您完全理解它。

1.滤波代码

（1）Python

import cv2
import numpy as np

image = cv2.imread('test.jpg')

# 如果图像为空，则打印错误信息
if image is None:
    print('Could not read image')

# 应用恒等核
kernel1 = np.array([[0, 0, 0],
                    [0, 1, 0],
                    [0, 0, 0]])

identity = cv2.filter2D(src=image, ddepth=-1, kernel=kernel1)

cv2.imshow('Original', image)
cv2.imshow('Identity', identity)
    
cv2.waitKey()
cv2.imwrite('identity.jpg', identity)
cv2.destroyAllWindows()

# 应用均值滤波器
kernel2 = np.ones((5, 5), np.float32) / 25
img = cv2.filter2D(src=image, ddepth=-1, kernel=kernel2)

cv2.imshow('Original', image)
cv2.imshow('Kernel Blur', img)
    
cv2.waitKey()
cv2.imwrite('blur_kernel.jpg', img)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

// 命名空间
using namespace std;
using namespace cv;

int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
    
    // 应用恒等核
    Mat kernel1 = (Mat_<double>(3,3) << 0, 0, 0, 0, 1, 0, 0, 0, 0);
    Mat identity; 
    filter2D(image, identity, -1 , kernel1, Point(-1, -1), 0, 4);
    imshow("Original", image);
    imshow("Identity", identity);
    waitKey();
    imwrite("identity.jpg", identity);
    destroyAllWindows();

    // 使用均值滤波器
    // 创建全一矩阵
    Mat kernel2 = Mat::ones(5,5, CV_64F);
    // 规范化元素
    kernel2 = kernel2 / 25;
    Mat img;
    filter2D(image, img, -1 , kernel2, Point(-1, -1), 0, 4);
    imshow("Original", image);
    imshow("Kernel blur", img);
    imwrite("blur_kernel.jpg", img);
    waitKey();
    destroyAllWindows();
}

2.图像处理中卷积核的介绍

在图像处理中，卷积核是一个用于过滤图像的二维矩阵。卷积核也被称为卷积矩阵，它通常是一个正方形的MxN矩阵，其中M和N都是奇整数(例如3×3, 5×5, 7×7等)。

这种核可以用于对图像的每个像素执行数学运算，以达到预期的效果(如模糊或锐化图像)。但为什么要模糊图像呢?这里有两个重要的原因：

  • 因为它减少了图像中某些类型的噪声。由于这个原因，模糊通常被称为平滑。
  • 为了去除分散注意力的背景，你可能会故意模糊图像的部分，就像在移动设备相机的“肖像”模式中所做的那样。

3.如何使用卷积核锐化或模糊图像

图像的滤波是通过核与图像的卷积来实现的。简单地说，图像与核的卷积代表了核与图像中相应元素之间的简单数学运算。

  • 假设核的中心位于图像中的一个特定像素§上。
  • 然后将核中每个元素的值(本例为1)与源图像中对应的像素元素(即像素强度)相乘。
  • 现在，将这些乘法的结果相加并计算平均值。
  • 最后，用刚刚计算的平均值替换像素§的值。

一旦使用上面的3×3内核对源图像中的每个像素执行此操作，得到的过滤图像将显得模糊。这是因为与这个核的卷积操作有一个平均效果，这往往是平滑或模糊的图像。您很快就会看到内核中单个元素的值如何决定过滤的性质。例如，通过更改核元素的值，还可以实现锐化效果。这个概念简单却非常强大，因此被用于许多图像处理管道中。

现在您已经学会了使用卷积核，让我们来探索如何在OpenCV中实现卷积核。

4. 在OpenCV中对图像应用恒等卷积

下面的代码执行了以下步骤

  • 读取测试图像
  • 使用3x3 NumPy数组定义恒等卷积核
  • 使用OpenCV中的filter2D()函数来执行线性滤波操作
  • 使用imshow()显示原始和过滤后的图像
  • 使用imwrite()将过滤后的图像保存到磁盘

filter2D(src, ddepth, kernel)需要三个输入参数：

  • 第一个参数是源图像
  • 第二个参数是ddepth，它表示得到的图像的深度。值为-1表示最终图像也将具有与源图像相同的深度
  • 最后一个输入参数是kernel，我们将它应用到源图像
    （1）Python
import cv2
import numpy as np
image = cv2.imread('test.jpg')
"""
恒等卷积
"""
kernel1 = np.array([[0, 0, 0],
                    [0, 1, 0],
                    [0, 0, 0]])
# filter2D() 函数可用于将核应用于图像
# ddepth表示得到的图像的深度。值为-1表示最终图像也将具有与源图像相同的深度
identity = cv2.filter2D(src=image, ddepth=-1, kernel=kernel1)

# 我们应该得到相同的图像
cv2.imshow('Original', image)
cv2.imshow('Identity', identity)

cv2.waitKey()
cv2.imwrite('identity.jpg', identity)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
 
	// 使用恒等卷积
	Mat kernel1 = (Mat_<double>(3,3) << 0, 0, 0, 0, 1, 0, 0, 0, 0);
	Mat identity;
	filter2D(image, identity, -1 , kernel1, Point(-1, -1), 0, 4);
	imshow("Original", image);
	imshow("Identity", identity);
	waitKey();
	imwrite("identity.jpg", identity);
	destroyAllWindows();
}

在这里插入图片描述

5.使用自定义2D卷积核模糊图像

接下来，我们将演示如何模糊图像。在这里，我们也将定义一个自定义核，并使用OpenCV中的filter2D()函数对源图像应用过滤操作。

首先定义一个5×5核，它只包含一个核。注意，我们还将核除以25。这是为什么呢?在你使用2D卷积矩阵对图像进行卷积之前，你需要确保所有的值都是标准化的。这是通过将核中的每个元素除以内核中的元素数来完成的，在这种情况下，内核中的元素数是25。这确保了所有值都在[0,1]范围内。

现在使用filter2D()函数来过滤图像。如您所见，可以使用filter2D()对任意用户定义的核进行卷积。
（1）Python

import cv2
import numpy as np
image = cv2.imread('test.jpg')
"""
图像模糊
"""
kernel2 = np.ones((5, 5), np.float32) / 25
img = cv2.filter2D(src=image, ddepth=-1, kernel=kernel2)

cv2.imshow('Original', image)
cv2.imshow('Kernel Blur', img)

cv2.waitKey()
cv2.imwrite('blur_kernel.jpg', img)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 图像模糊
	// 使用全一初始化矩阵
	Mat kernel2 = Mat::ones(5,5, CV_64F);
	
	// 标准化元素
	kernel2 = kernel2 / 25;
	Mat img;
	filter2D(image, img, -1 , kernel2, Point(-1, -1), 0, 4);
	imshow("Original", image);
	imshow("Kernel blur", img);
	imwrite("blur_kernel.jpg", img);
	waitKey();
	destroyAllWindows();
}

在这里插入图片描述

6.使用OpenCV的内置函数模糊图像

你也可以使用OpenCV内置的blur()函数来模糊图像。使用它来模糊图像，在这里您不需要明确定义内核。只需使用ksize输入参数指定内核大小，如下面的代码所示。模糊函数将在内部创建5×5模糊核，并将其应用到源图像。

下面的示例使用了 blur() 函数，将生成与上面使用 filter2d() 函数的示例完全相同的输出。
（1）Python

import cv2
import numpy as np
image = cv2.imread('test.jpg')
"""
图像模糊
"""
img_blur = cv2.blur(src=image, ksize=(5,5)) # 使用模糊函数模糊一个图像，其中ksize是内核大小

# 显示使用cv2.imshow ()
cv2.imshow('Original', image)
cv2.imshow('Blurred', img_blur)

cv2.waitKey()
cv2.imwrite('blur.jpg', img_blur)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 使用OpenCV c++ blur()函数进行模糊
	Mat img_blur;
	blur(image, img_blur, Size(5,5));
	imshow("Original", image);
	imshow("Blurred", img_blur);
	imwrite("blur.jpg", img_blur);
	waitKey();
	destroyAllWindows();
}

在这里插入图片描述

7.在OpenCV中对图像应用高斯模糊

现在我们将使用OpenCV对图像应用高斯模糊。该技术使用高斯滤波器，它执行加权平均，而不是第一个示例中描述的均匀平均。在这种情况下，高斯模糊权重像素值，基于它们到核中心的距离。离中心越远的像素对加权平均的影响越小。下面的代码使用OpenCV中的GaussianBlur()函数卷积图像。GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
函数GaussianBlur()需要四个输入参数:

  • 第一个参数src指定要过滤的源图像。
  • 第二个参数是ksize，它定义了高斯核的大小。这里，我们使用的是5×5核。
  • 最后两个参数是sigmaX和sigmaY，它们都被设置为0。这些是高斯核在X(水平)和Y(垂直)方向上的标准差。sigmaY的默认设置是0。如果您简单地将sigmaX设置为0，那么将从核大小(分别为宽度和高度)计算标准偏差。您还可以显式地将每个参数的大小设置为大于零的正值。

（1）Python

import cv2
import numpy as np
image = cv2.imread('test2.png')
"""
Gaussian模糊
"""
# sigmaX是高斯核标准差
# Ksize是核大小
gaussian_blur = cv2.GaussianBlur(src=image, ksize=(5,5), sigmaX=0, sigmaY=0)

cv2.imshow('Original', image)
cv2.imshow('Gaussian Blurred', gaussian_blur)
    
cv2.waitKey()
cv2.imwrite('gaussian_blur.jpg', gaussian_blur)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 实现高斯模糊
	Mat gaussian_blur;
	GaussianBlur(image, gaussian_blur, Size(5,5), SigmaX=0, SigmaY=0);
	imshow("Original", image);
	imshow("Gaussian Blurred", gaussian_blur);
	imwrite("gaussian_blur.jpg", gaussian_blur);
	waitKey();
	destroyAllWindows();
}

在这里插入图片描述

8.在OpenCV中对图像应用中值滤波

我们也可以使用中值模糊，使用OpenCV中的medianBlur()函数。中值滤波是将源图像中的每个像素替换为图像在核区域中像素的中值。
medianBlur(src, ksize)这个函数只有两个必需参数:

  • 第一个是源图像。
  • 第二个是核大小，它必须是一个奇数，正整数。
    （1）Python
import cv2
import numpy as np
image = cv2.imread('test2.png')
"""
中值滤波
"""
median = cv2.medianBlur(src=image, ksize=5)

cv2.imshow('Original', image)
cv2.imshow('Median Blurred', median)
    
cv2.waitKey()
cv2.imwrite('median_blur.jpg', median)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 中值滤波
	Mat median_blurred;
	medianBlur(image, median_blurred, (5,5));
	imshow("Original", image);
	imshow("Median Blurred", median_blurred);
	imwrite("median_blur.jpg", median_blurred);
	waitKey();
	destroyAllWindows();
}

见下图中值滤波的结果。注意，对于相同的核大小，中值滤波的效果比高斯模糊更突出。中值滤波通常用于减少图像中的椒盐噪声，如图所示。
在这里插入图片描述

9.使用自定义2D卷积核锐化图像

你也可以用2D卷积核锐化图像。首先定义一个自定义的2D核，然后使用filter2D()函数对图像应用卷积操作。

在下面的代码中，定义了一个3×3锐化核。
（1）Python

import cv2
import numpy as np
image = cv2.imread('test2.png')
"""
锐化
"""
kernel3 = np.array([[0, -1,  0],
                   [-1,  5, -1],
                    [0, -1,  0]])
sharp_img = cv2.filter2D(src=image, ddepth=-1, kernel=kernel3)

cv2.imshow('Original', image)
cv2.imshow('Sharpened', sharp_img)
    
cv2.waitKey()
cv2.imwrite('sharp_image.jpg', sharp_img)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 锐化
	Mat sharp_img;
	Mat kernel3 = (Mat_<double>(3,3) << 0, -1,  0, 
	                                   -1,  5, -1, 
	                                    0, -1, 0);
	filter2D(image, sharp_img, -1 , kernel3, Point(-1, -1), 0, BORDER_DEFAULT);
	imshow("Original", image);
	imshow("Sharpenned", sharp_img);
	imwrite("sharp_image.jpg", sharp_img);
	waitKey();
	destroyAllWindows();
}

那么，我们会得到什么样的结果呢?请看下面的图表。锐化效果非常令人印象深刻。右图的锐化图像显示了之前看不见的木头裂缝。在这里插入图片描述

10.在OpenCV中对图像进行双边滤波

虽然模糊是降低图像噪声的一种有效方法，但通常不希望对整个图像进行模糊，因为重要的细节和锐利的边缘可能会丢失。在这种情况下，可以使用双边滤波器。

  • 这种技术应用滤波器有选择地模糊邻域内相似强度的像素，而锐利的边缘都会被保留下来。
  • 它让您不仅可以控制过滤器的空间大小，还可以控制在滤波输出中包含邻近像素的程度。这是根据它们的颜色强度的变化，以及与过滤后的像素的距离来完成的。

双边滤波实质上是对图像应用二维高斯(加权)模糊，同时也考虑相邻像素强度的变化，以最小化边缘附近的模糊(这是我们希望保持的)。这意味着核的形状实际上取决于每个像素位置的局部图像内容。

这是一个具体的例子。假设，您正在过滤图像中靠近边缘的一个区域。一个简单的高斯模糊过滤器会模糊边缘，因为它位于过滤区域附近(接近高斯过滤器的中心)。但双边滤波器可以感知边缘，因为它也考虑像素强度的差异。因此，它将为横跨边缘的像素计算一个更低的权重，从而减少它们对过滤区域的影响。强度较均匀的区域模糊较重，因为它们与强边缘无关。

幸运的是，OpenCV提供了bilateralFilter()函数来过滤图像。bilateralFilter(src, d, sigmaColor, sigmaSpace)

  • 函数的第一个参数是源图像。
  • 下一个参数d，定义用于过滤的像素邻域的直径。
  • 接下来的两个参数，sigmaColor和sigmspace分别定义了(1D)颜色强度分布和(2D)空间分布的标准偏差。sigmaSpace参数定义了核在x和y方向上的空间范围(就像前面描述的高斯模糊过滤器)。sigmaColor参数定义一维高斯分布，它指定像素强度差异可以容忍的程度。

过滤后的图像中像素的最终(加权)值是其空间权重和强度权重的乘积。因此，

  • 与过滤像素相似和接近的像素将产生影响
  • 远离过滤像素的像素影响很小(由于空间高斯分布)
  • 具有不同强度的像素影响很小(由于颜色强度高斯分布)，即使它们接近核的中心。

（1）Python

import cv2
import numpy as np
image = cv2.imread('test2.png')
"""
双边滤波器
"""
bilateral_filter = cv2.bilateralFilter(src=image, d=9, sigmaColor=75, sigmaSpace=75)

cv2.imshow('Original', image)
cv2.imshow('Bilateral Filtering', bilateral_filter)

cv2.waitKey(0)
cv2.imwrite('bilateral_filtering.jpg', bilateral_filter)
cv2.destroyAllWindows()

（2）C++

// 导入依赖
#include <opencv2/opencv.hpp>
#include <iostream>

//命名空间
using namespace std;
using namespace cv;
int main()
{
    // 读取图像
    Mat image = imread("test.jpg");

    // 如果图像为空，则打印错误信息
    if (image.empty()) 
        {
            cout << "Could not read image" << endl;
        }
	// 双边滤波器
	Mat bilateral_filter;
	bilateralFilter(image, bilateral_filter, 9, 75, 75);
	imshow("Original", image);
	imshow("Bilateral filtering", bilateral_filter);
	imwrite("bilateral_filtering.jpg", bilateral_filter);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

下图是双边滤波的结果。看看如何使像素强度更均匀的区域变得平滑(模糊)，同时保留木材中的细微裂缝(边缘)。双边滤波是一种非常有效的技术，但它的计算代价很高(特别是对于大的核大小)。因此，根据您的特定应用程序明智地进行选择。
在这里插入图片描述

总结

我们从卷积核的概念开始，以及如何使用它们来对图像滤波。然后学习如何使用它们对图像的每个像素执行数学运算，以达到预期的效果，如模糊或锐化。了解了如何使用OpenCV实现2D滤波。在理解了identity核之后，我们继续创建更多的自定义核，这些核可以与OpenCV中的filter2D()函数一起使用。探索了OpenCV中一些重要的内置滤波函数，如MedianBlur()和GaussianBlur()。最后，演示了OpenCV中的bilateralFilter()，看看它是如何在保持清晰边缘的同时平滑图像的。

求则得之，舍则失之
关注
专栏目录
OpenCV实战（12）——图像滤波详解
盼小辉丶的博客
03-05 8889
滤波是信号和图像处理中的基本任务之一，其旨在有选择地提取图像的某些特征，可以用于在给定应用程序的上下文中传达重要信息，例如，去除图像中的噪声、提取所需的视觉特征、图像重采样等。图像滤波起源于信号系统理论，本节将介绍一些与滤波相关的重要概念，并展示如何在图像处理应用程序中使用滤波器。
图像滤波和卷积
Img麦浪的专栏
11-04 1419
1 图像滤波的基本概念     图像常常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。     图像滤波总体上讲包括空域滤波和频域滤波。
python 图像滤波算法_Python图像增强——卷积滤波
weixin_39884074的博客
11-29 1679
对图像数据采用各种图像增强算法，提高图像的目视效果，方便人工解译、图像分类中的样本选取等。图像增强的主要目的根据特定的应用需求增强图像，以便于增强后的图像比原图像更适合于这种应用需求。空间域增强处理是通过直接改变图像中的单个像元及其相邻像元的灰度值来增强图像。这种增强方式往往是有目的的，例如增强图像中线状地物细部部分或者主干部分等。在物理电路中，有一种硬件称为滤波器，这种滤波器只允许某种特定的电流...
在OpenCV中利用卷积进行图像滤波
TSINGHUAJOKING
01-31 1559
简 介： 本文首先讨论了卷积核的概念，以及如何用于对图像进行滤波。然后通过他们对图像进行数学运算来实现特定的效果，比如平和和锐化。展示了如何在OpenCV中实现2D滤波。 在等同卷积卷积核之后，我们创建了更多定制的核，用在OpenCV中的 filter2D()函数中。 介绍了OpenCV中的重要内置函数MediaBlur()，GaussianBlur()。 最后展示了 OpenCV中的 bilateralFilter()函数，是如何在保留图片中清晰边缘的同时又平滑了图像。 关键词： 中值滤波，平滑滤波，..
OpenCV学习之卷积滤波
Joey's Blog
08-04 435
//以不同核进行卷积滤波 #include "cv.h" #include "highgui.h" int main(int argc, char** argv) { IplImage* src = 0; IplImage* dst = 0; IplImage* dst2 = 0; /*float k[9] = {0, 1, 0,
c++ opencv mat_22、OpenCV用卷积Filter2D进行滤波器
weixin_39924674的博客
11-30 379
迄今为止，看到的函数中，卷积的操作发生在OpenCV函数的内部。理论上，图像卷积就是将内核与图像覆盖区域对应位置相乘之后求和。从调用函数上来看，它需要一个数组参数来描述内核。在实践层面，有一个重要的微妙因素会对结果产生重大影响。微妙之处在于一些内核是可分离的，而另一些则不是。图1图1(A)是可分离的; 它可以表示为两个一维卷积(B和C)；D是一个不可分割内核的例子。可分离的内核是可以被认为是两个一...
OpenCV学习——图像卷积滤波
gnuhpc的专栏
06-21 2811
本文已搬家至 【OpenCV学习】图像卷积滤波
C++ openCV图像的卷积与滤波
花语月的喵喵
07-05 1710
图像的滤波均值滤波高斯滤波中值滤波双边滤波图像的卷积插入链接与图片图像的滤波
opencv-基于c++实现的opencv图像处理算法之图像滤波算法引导滤波.zip
最新发布
04-17
在OpenCV库中，图像滤波是图像处理领域的一个核心概念，用于消除图像噪声、平滑图像或增强特定特征。本教程将深入探讨如何使用C++通过OpenCV库实现图像滤波，特别是“引导滤波”这一算法。引导滤波是一种非线性的...
opencv图像处理-opencv图像处理算法之图像滤波.zip
03-08
5. **卷积滤波**：通过定义不同的卷积核（滤波器）来实现特定的图像处理效果，如锐化、模糊等。 在OpenCV中，这些滤波操作可以通过`cv2.filter2D()`、`cv2.GaussianBlur()`、`cv2.medianBlur()`和`cv2.bilateral...
opencv-基于c++实现的opencv图像处理算法之图像滤波算法彩色引导滤波.zip
04-17
此外，学习和应用彩色引导滤波算法，还需要掌握一些基础的图像处理理论，如色彩空间转换、滤波器原理以及OpenCV的矩阵操作等。在实际项目中，可以根据需求调整滤波器参数，以达到最佳的视觉效果。 总结，OpenCV中的...
OpenCV - Mat、滤波、卷积的实现
青山渺渺
01-23 1018
1、Mat数据类型 //创建图像 Mat M(2, 2, CV_8UC3, Scalar(0, 0, 255)); //改变图像尺寸 M.create(4, 4, CV_8UC2); //快速创建图像的集中方法 Mat E = Mat::eye(4, 4, CV_64F); Mat F = Mat::ones(2, 2, CV_32F); Mat G = Mat::zeros(3, 3, ...
OpenCV-图像过滤（2D卷积）
qq_43815039的博客
05-12 533
title: OpenCV-图像过滤（2D卷积） OpenCV-图像过滤（2D卷积） 学习代码如下： cv.filter2D """ 目标：使用各种低通滤镜模糊图像 - 将定制的滤镜应用于图像（2D卷积） 与一维信号一样，还可以使用各种低通滤波器（LPF），高通滤波器（HPF）等对图像进行滤波。 LPF有助于消除噪声，使图像模糊等。HPF滤波器有助于在图像中找到边缘。 OpenCV提供了一个函数**cv.filter2D**来将内核与图像进行卷积。例如，我们将尝试对图像进行平均滤波。5x5平均滤波.
图像卷积与滤波
Asgard
12-20 1198
作者：zouxy09 来源：CSDN 原文：https://blog.csdn.net/zouxy09/article/details/49080029  线性滤波是图像处理的最基本方法。  使用一个二维的滤波器矩阵（卷积核）对一个待处理的二维图像进行滤波，方法是对于图像的每一个像素点，计算它及邻域像素和滤波器矩阵的对应元素的乘积，然后求和，作为该像素位置的值。这样就完成了滤波过程。  对图像和滤...
图像卷积与滤波的一些知识点
一个CV小白的博客
06-20 1490
图像卷积与滤波的一些知识点一、线性滤波与卷积的基本概念二、神奇的卷积核2.1 啥也不做2.2 图像锐化滤波器Sharpness Filter2.3 边缘检测Edge Detection2.4 浮雕Embossing Filter2.5 均值模糊Box Filter (Averaging)2.6 高斯模糊2.7 运动模糊Motion Blur三、卷积的计算3.1 空域计算-直接2D卷积3.1.1 2...
《Learning OpenCV3》——第十章 滤波和卷积
一步的专栏
02-10 1384
第十章 滤波和卷积 第十章 滤波和卷积 一介绍 二阈值处理 1 阈值 2 最佳阈值 3 自适应阈值 三滤波 1 简单滤波均值滤波 2 盒状滤波加权均值滤波 3 中值滤波 4 高斯滤波 5 双边滤波 四导数和梯度 1 Sobel导数 2 Scharr滤波 3 拉普拉斯 五图像形态学 1 腐蚀和膨胀 2 通用形态学操作 一：介绍 滤波使用滤波核进行操作，使用卷...
认识卷积神经网络中的卷积与图像滤波
肖永威的专栏
11-24 2310
本文通过实践方式，介绍卷积基本原理，以及卷积核和滤波图像处理情况。
图像处理学习 | 卷积，滤波，平滑
【黑键】
09-08 1956
图像处理基本概念 - 卷积,滤波,平滑 转载自 小熊不去实验室 关系 图像卷积：一种实现手段，不管是滤波还是别的什么，可以说是数学在图像处理的一种延伸。 图像滤波：一种图像处理方法，来实现不同目的。 图像平滑：实际上就是低通滤波。 图像卷积(模板) 1. 使用模板处理图像相关概念 ​ 模板:矩阵方块,其数学含义是一种卷积运算 ​ 卷积运算:可看做加权...
OpenCV图像处理：2D卷积与低通/高通滤波应用
在OpenCV中的图像处理部分IV(二)中，主要讨论了如何利用OpenCV对图像进行2D卷积和图像平滑处理。这一章节的重点在于理解并应用不同的滤波技术来改善图像质量。 首先，学习对象是使用低通滤波器，如平均滤波，对图像...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值