OpenCV_06滤波器

前言：总纲查看《计算机视觉学习路》

基本概念

滤波器又称为卷积核，滤波的过程称为卷积，卷积核的大小通常为3X3、5X5、7X7

为什么卷积核一般是奇数？

1.从图中可以看到，卷积后输出特征图的尺寸比输入图片的尺寸小，为了使输出和输入大小一致，通常会在输入图像进行padding操作，填充后，再与奇数卷积核进行卷积，就可以得到与输入尺寸一致的输出。
2.另一方面是保证锚点在中间，防止位置发生偏移

卷积核大小的影响？

卷积核越大，感受野（看到的信息）越多，提取的特征越好，但是计算量也就越大

边界扩充padding

为了保证输入输出的尺寸一致
如下图所示，输入图片为5X5外面填充一圈0后再卷积，输出的也是5X5(虽然在计算层面输入变成7X7了，但是在用户层面输入还是5X5)

低通滤波和高通滤波

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

计算公式

N = （W - F + 2P）/S +1

N：输出图像的大小
W：源图大小
F：卷积核大小
P：扩充尺寸
S：步长，步长就是卷积核移动的步幅，若步长为1,则卷积核每次往后移动一个格子，如下图所示

步长不同，padding的大小也需对应变化才能保证输入输出尺寸一致。

卷积

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

src : 源图片
ddepth : 位深，一般设置为 -1 ， 即输入输出位深一致
kernel : 卷积核
anchor : 锚点 默认（-1,-1）根据核的内容找到中心点，可以不设
delta : 可以让卷积后的每个元素加一个delta值，默认0
borderType: 边界类型 ， 默认不做处理

下面通过一个5*5，元素都为1/25的卷积核对图像进行滤波：可以看到有模糊效果

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img,None,fx=0.5,fy=0.5)

kernel = np.ones((5, 5), np.float32) / 25

dst = cv2.filter2D(img, -1, kernel)

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

cv2.waitKey(0)

低通滤波

方盒滤波与均值滤波

卷积核如图所示：

参数a的作用：
normalize = true , a = 1/W*H 均值滤波（常用）
normalize = false , a=1 即元素之和

方盒滤波
boxFilter(src , ddepth , ksize , anchor , normalize , borderType)
ksize: 卷积核的大小

均值滤波
blur(src , ksize , anchor , borderType)

由于方盒滤波normalize很少有等于false的情况，所以一般使用blur而不用boxFilter

可以看到和上面那个1/25的矩阵效果一样

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img,None,fx=0.5,fy=0.5)

dst = cv2.blur(img,(5,5)) # 卷积核大小为5*5
cv2.imshow('img',img)
cv2.imshow('dst',dst)

cv2.waitKey(0)

高斯滤波

高斯滤波又称钟型滤波，中间元素的权重最高，越往边上走权重越低

GaussianBlur(img , kernel , sigmaX, sigmaY,…)
sigmaX: 最远的x与中心的距离，即沿着X方向，钟型拓展的多远，sigmaY同理。
当sigma不设值时，根据kernel进行模糊

下面对sigmaX分别取1,10,100进行高斯模糊

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img,None,fx=0.5,fy=0.5)

dst = cv2.GaussianBlur(img,(5,5),sigmaX=1)
dst10 = cv2.GaussianBlur(img,(5,5),sigmaX=10)
dst100 = cv2.GaussianBlur(img,(5,5),sigmaX=100)

cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('dst10',dst10)
cv2.imshow('dst100',dst100)

cv2.waitKey(0)

中值滤波

每进行一次卷积后，取其中的中位数作为结果

medianBlur(img , ksize)

中值滤波对椒盐噪声效果明显
椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。

import cv2
import numpy as np

img = cv2.imread('../img/jy.png')

dst = cv2.medianBlur(img,5)

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

cv2.waitKey(0)

双边滤波

可以保留边缘，同时对边缘内的区域平滑处理。最大的应用就是美颜

bliateralFilter(img , d , sigmaColor , simgaSpace , …)
d : filter的大小,sigma两个参数可以自己调整看看效果

import cv2
import numpy as np

img = cv2.imread('../img/双边.png')

dst = cv2.bilateralFilter(img,7,50,50)

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


cv2.waitKey(0)

高通滤波

Sobel(索贝尔)(高斯)

不能同时计算x,y方向的导数
先对x方向求导，再求y方向导，最后相加
Sobel(src , ddepth , dx , dy , ksize = 3)
dx = 1，对x方向求导，dy=1,对y方向求导

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img,None,fx=0.5,fy=0.5)

# 对x方向求导
dstx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)

# 对y求导
dsty = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

#合并
dst = dstx + dsty

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

cv2.waitKey(0)

Scharr(沙尔)

与Sobel类似，kernel值不同，只能求x或y方向的边缘，相比于Sobel，能够识别一些细小的线
需要注意的是：当Sobel的 ksize = -1时，就是Scharr

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

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img, None, fx=0.5, fy=0.5)

# 对x方向求导
dstx = cv2.Scharr(img, cv2.CV_64F, 1, 0)

# 对y求导
dsty = cv2.Scharr(img, cv2.CV_64F, 0, 1)

# 合并
dst = dstx + dsty

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

cv2.waitKey(0)

Laplacian(拉普拉斯)

可以同时求两个方向的边缘
对噪音敏感，一般需要先去噪再调用拉普拉斯

Laplacian(img , ddepth , ksize =1)

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img, None, fx=0.5, fy=0.5)

# 对x方向求导
dst = cv2.Laplacian(img, cv2.CV_64F, ksize=5)

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

cv2.waitKey(0)

Canny

使用5*5高斯滤波消除噪声
计算图像梯度的方向：0度、45度、90度、135度
在4个方向取局部最大值，认为是边界值
取阈值计算，超过最大值肯定是边缘，低于最小值肯定不是边缘，如果介于中间，看和那条线连续

Canny(img , minVal , maxVal)
minVal:最小值 maxVal 最大值 阈值

import cv2
import numpy as np

img = cv2.imread('../img/ex03.jpg')
img = cv2.resize(img, None, fx=0.5, fy=0.5)

# 对x方向求导
dst = cv2.Canny(img, 100,200)

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

cv2.waitKey(0)

想获得更多或者更少的边缘，可以调整阈值的大小