【OpenCV 例程200篇】55. 可分离卷积核

youcans_

已于 2022-02-13 20:14:55 修改

阅读量3.3k

点赞数 3

分类专栏： # OpenCV例程-youcans 文章标签： opencv 计算机视觉 python 图像处理

于 2021-12-10 08:53:44 首次发布

本文链接：https://blog.csdn.net/youcans/article/details/121848350

版权

OpenCV例程-youcans 专栏收录该内容

261 篇文章 2244 订阅

订阅专栏

本文介绍了可分离卷积核的概念，它适用于秩为1的矩阵，能通过一维水平核和垂直核的两次卷积来实现。通过Python的scipy库和OpenCV库展示了可分离卷积核的卷积操作，并比较了直接二维卷积与可分离卷积的速度优势。此外，还使用OpenCV的sepFilter2D函数实现了可分离卷积，用于图像滤波。最后，通过实例演示了可分离卷积在图像处理中的应用，验证了其效果与效率。

摘要由CSDN通过智能技术生成

【OpenCV 例程200篇】55. 可分离卷积核

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

空间滤波器是由邻域和定义的操作构成的，滤波器规定了滤波时采用的邻域形状及该区域内像素值的处理方法。滤波器也被称为 “核”、“模板”、“窗口”、“掩模”、“算子”，一般在信号处理中称为 “滤波器”，在数学领域称为 “核”。线性滤波器就是指基于线性核的滤波，也就是卷积运算。

1.5 可分离卷积核

如果卷积核 w 可以被分解为两个或多个较小尺寸卷积核 w1、w2…，即： $\bigstar w2$ ，则成为可分离卷积核。

秩为 1 的矩阵可以分解为一个列向量与一个行向量的乘积，因此秩为 1 的卷积核是可分离卷积核。

可分离卷积核 w 与图像 f 的卷积（same 卷积），等于先用 f 与 w1 卷积，再用 w2 对结果进行卷积：
$\bigstar f = (w_1 \bigstar w_2)\bigstar f = w_2 \bigstar (w_1 \bigstar f) = (w_1 \bigstar f)\bigstar w_2$
随着图像尺寸与卷积核尺寸的增大，用分离的卷积核依次对图像进行卷积操作，可以有效地提高运算速度。因此，在二维图像处理中，经常将一个可分离卷积核分解为一维水平核 kernalX 和一维垂直核 kernalY 的乘积。

函数 sepFilter2D 实现可分离核（模板）对图像进行线性滤波。

函数说明：

cv.sepFilter2D(	src, ddepth, kernelX, kernelY[, dst[, anchor[, delta[, borderType]]]]) → dst  # OpenCV4

该函数先用一维水平核 kernalX 对图像的行进行滤波，再用一维垂直核 kernalY 对图像的列进行滤波。

参数说明：

src：卷积处理的输入图像，可以是灰度图像，也可以是多通道的彩色图像
dst：卷积处理的输出图像，大小和类型与 src 相同
ddepth：目标图像每个通道的深度（数据类型），ddepth=-1 表示与输入图像的数据类型相同
kernelX：水平卷积核向量，一维实型数组
kernelY：垂直卷积核向量，一维实型数组
anchor：卷积核的锚点位置，默认值 (-1, -1) 表示以卷积核的中心为锚点
delta：输出图像的偏移量，可选项，默认值为 0
borderType：边界扩充的类型

例程 1.68：可分离核的卷积操作

    # 1.68：可分离核的卷积操作
    imgList = list(range(0, 36))
    imgTest = np.array(imgList).reshape(6, 6)

    # 可分离卷积核: kernXY = kernX * kernY
    kernX = np.array([[-1, 3, -1]], np.float32)  # (1,3)
    kernY = np.transpose(kernX)  # (3,1)
    kernXY = kernX * kernY
    print(kernX.shape, kernY.shape, kernXY.shape)

    from scipy import signal
    # 二维卷积核直接对图像进行卷积操作
    imgConv_XY = signal.convolve2d(imgTest, kernXY, mode='same', boundary='fill')
    # 可分离卷积核分解为一维水平核 kernalX 和一维垂直核 kernalY 分别进行卷积操作
    imgConv_X = signal.convolve2d(imgTest, kernX, mode='same', boundary='fill')
    imgConv_X_Y = signal.convolve2d(imgConv_X, kernY, mode='same', boundary='fill')

    print("\n比较 imgConv_XY 与 imgConv_X_Y 是否相等：\t", (imgConv_XY == imgConv_X_Y).all())
    print("\nimgConv_kernXY:\n", imgConv_XY)
    print("\nimgConv_kernX_kernY:\n", imgConv_X_Y)

运行结果如下：

(1, 3) (3, 1) (3, 3)

比较 imgConv_XY 与 imgConv_X_Y 是否相等：	 True

imgConv_kernXY:
 [[-14.  -4.  -2.   0.   2.  10.]
 [ 11.   7.   8.   9.  10.  23.]
 [ 23.  13.  14.  15.  16.  35.]
 [ 35.  19.  20.  21.  22.  47.]
 [ 47.  25.  26.  27.  28.  59.]
 [130.  68.  70.  72.  74. 154.]]

imgConv_kernX_kernY:
 [[-14.  -4.  -2.   0.   2.  10.]
 [ 11.   7.   8.   9.  10.  23.]
 [ 23.  13.  14.  15.  16.  35.]
 [ 35.  19.  20.  21.  22.  47.]
 [ 47.  25.  26.  27.  28.  59.]
 [130.  68.  70.  72.  74. 154.]]

例程 1.69：可分离核的图像卷积

    # 1.69：可分离核的图像卷积
    img = cv2.imread("../images/imgGaia.tif", flags=1) 
    
    # 可分离卷积核: kernXY = kernX * kernY
    kernX = np.array([[-1, 3, -1]], np.float32)  # (1,3)
    kernY = np.transpose(kernX)  # (3,1)
    kernXY = kernX * kernY

    # (1) 可分离卷积核分解为一维水平核 kernalX 和一维垂直核 kernalY 分步进行卷积操作
    imgConvY = cv2.filter2D(img, -1, kernY,
               anchor=(0,0), borderType=cv2.BORDER_CONSTANT)
    imgConv_X_Y = cv2.filter2D(imgConvY, -1, kernX,
               anchor=(0,0), borderType=cv2.BORDER_CONSTANT)
    # (2) 二维卷积核 kernXY 直接对图像进行卷积操作
    imgConv_XY = cv2.filter2D(img, -1, kernXY,
                    anchor=(0, 0), borderType=cv2.BORDER_CONSTANT)
    # (3) 一维水平核 kernalX 和一维垂直核 kernalY 进行可分离卷积核的卷积操作
    imgConvSep_XY = cv2.sepFilter2D(img, -1, kernX, kernY,
                    anchor=(0,0), borderType=cv2.BORDER_CONSTANT)

    print("\n比较 imgConv_XY 与 imgConv_X_Y 是否相等：\t", (imgConv_XY == imgConv_X_Y).all())
    print("\n比较 imgConvSep_XY 与 imgConv_XY 是否相等：\t", (imgConvSep_XY == imgConv_XY).all())

    plt.figure(figsize=(9, 6))
    plt.subplot(131), plt.axis('off'), plt.title('cv2.filter2D(kernXY)')
    plt.imshow(cv2.cvtColor(imgConv_XY, cv2.COLOR_BGR2RGB))
    plt.subplot(132), plt.axis('off'), plt.title('cv2.filter2D (kernX->kernY)')
    plt.imshow(cv2.cvtColor(imgConv_X_Y, cv2.COLOR_BGR2RGB))
    plt.subplot(133), plt.axis('off'), plt.title('cv2.sepFilter2D(kernX,kernY)')
    plt.imshow(cv2.cvtColor(imgConvSep_XY, cv2.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()

运行结果如下：

比较 imgConv_XY 与 imgConv_X_Y 是否相等：	 False
比较 imgConvSep_XY 与 imgConv_XY 是否相等：	 True

在这里插入图片描述

（本节完）

youcans@xupt 原创作品，转载必须标注原文链接

Crated：2021-11-29

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

【OpenCV 例程200篇】01. 图像的读取（cv2.imread）
【OpenCV 例程200篇】02. 图像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 图像的显示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 例程200篇】05. 图像的属性（np.shape）
【OpenCV 例程200篇】06. 像素的编辑（img.itemset）
【OpenCV 例程200篇】07. 图像的创建（np.zeros）
【OpenCV 例程200篇】08. 图像的复制（np.copy）
【OpenCV 例程200篇】09. 图像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 图像的拼接（np.hstack）
【OpenCV 例程200篇】11. 图像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 图像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 图像的加法运算（cv2.add）
【OpenCV 例程200篇】14. 图像与标量相加（cv2.add）
【OpenCV 例程200篇】15. 图像的加权加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的图像加法
 【OpenCV 例程200篇】17. 两张图像的渐变切换
 【OpenCV 例程200篇】18. 图像的掩模加法
 【OpenCV 例程200篇】19. 图像的圆形遮罩
 【OpenCV 例程200篇】20. 图像的按位运算
 【OpenCV 例程200篇】21. 图像的叠加
 【OpenCV 例程200篇】22. 图像添加非中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】24. 图像的仿射变换
 【OpenCV 例程200篇】25. 图像的平移
 【OpenCV 例程200篇】26. 图像的旋转（以原点为中心）
【OpenCV 例程200篇】27. 图像的旋转（以任意点为中心）
【OpenCV 例程200篇】28. 图像的旋转（直角旋转）
【OpenCV 例程200篇】29. 图像的翻转（cv2.flip）
【OpenCV 例程200篇】30. 图像的缩放（cv2.resize）
【OpenCV 例程200篇】31. 图像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 图像的扭变（错切）
【OpenCV 例程200篇】33. 图像的复合变换
 【OpenCV 例程200篇】34. 图像的投影变换
 【OpenCV 例程200篇】35. 图像的投影变换（边界填充）
【OpenCV 例程200篇】36. 直角坐标与极坐标的转换
 【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理
 【OpenCV 例程200篇】38. 图像的反色变换（图像反转）
【OpenCV 例程200篇】39. 图像灰度的线性变换
 【OpenCV 例程200篇】40. 图像分段线性灰度变换
 【OpenCV 例程200篇】41. 图像的灰度变换（灰度级分层）
【OpenCV 例程200篇】42. 图像的灰度变换（比特平面分层）
【OpenCV 例程200篇】43. 图像的灰度变换（对数变换）
【OpenCV 例程200篇】44. 图像的灰度变换（伽马变换）
【OpenCV 例程200篇】45. 图像的灰度直方图
 【OpenCV 例程200篇】46. 直方图均衡化
 【OpenCV 例程200篇】47. 图像增强—直方图匹配
 【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
 【OpenCV 例程200篇】49. 图像增强—局部直方图处理
 【OpenCV 例程200篇】50. 图像增强—直方图统计量图像增强
 【OpenCV 例程200篇】51. 图像增强—直方图反向追踪
 【OpenCV 例程200篇】52. 图像的相关与卷积运算
 【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
 【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
 【OpenCV 例程200篇】55. 可分离卷积核
 【OpenCV 例程200篇】56. 低通盒式滤波器
 【OpenCV 例程200篇】57. 低通高斯滤波器
 【OpenCV 例程200篇】58. 非线性滤波—中值滤波
 【OpenCV 例程200篇】59. 非线性滤波—双边滤波
 【OpenCV 例程200篇】60. 非线性滤波—联合双边滤波
 【OpenCV 例程200篇】61. 导向滤波（Guided filter）
【OpenCV 例程200篇】62. 图像锐化——钝化掩蔽
 【OpenCV 例程200篇】63. 图像锐化——Laplacian 算子
 【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
 【OpenCV 例程200篇】65. 图像锐化——Scharr 算子
 【OpenCV 例程200篇】66. 图像滤波之低通/高通/带阻/带通
 【OpenCV 例程200篇】67. 空间域图像增强的综合应用
 【OpenCV 例程200篇】68. 空间域图像增强的综合应用
 【OpenCV 例程200篇】69. 连续非周期信号的傅立叶系数
 【OpenCV 例程200篇】70. 一维连续函数的傅里叶变换
 【OpenCV 例程200篇】71. 连续函数的取样
 【OpenCV 例程200篇】72. 一维离散傅里叶变换
 【OpenCV 例程200篇】73. 二维连续傅里叶变换
 【OpenCV 例程200篇】74. 图像的抗混叠
 【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
 【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
 【OpenCV 例程200篇】77. OpenCV 实现快速傅里叶变换
 【OpenCV 例程200篇】78. 频率域图像滤波基础
 【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤
 【OpenCV 例程200篇】80. 频率域图像滤波详细步骤
 【OpenCV 例程200篇】81. 频率域高斯低通滤波器
 【OpenCV 例程200篇】82. 频率域巴特沃斯低通滤波器
 【OpenCV 例程200篇】83. 频率域低通滤波：印刷文本字符修复
 【OpenCV 例程200篇】84. 由低通滤波器得到高通滤波器
 【OpenCV 例程200篇】85. 频率域高通滤波器的应用
 【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
 【OpenCV 例程200篇】87. 频率域钝化掩蔽
 【OpenCV 例程200篇】88. 频率域拉普拉斯高通滤波
 【OpenCV 例程200篇】89. 带阻滤波器的传递函数
 【OpenCV 例程200篇】90. 频率域陷波滤波器
 【OpenCV 例程200篇】91. 高斯噪声、瑞利噪声、爱尔兰噪声
 【OpenCV 例程200篇】92. 指数噪声、均匀噪声、椒盐噪声
 【OpenCV 例程200篇】93. 噪声模型的直方图
 【OpenCV 例程200篇】94. 算术平均滤波器
 【OpenCV 例程200篇】95. 几何均值滤波器
 【OpenCV 例程200篇】96. 谐波平均滤波器
 【OpenCV 例程200篇】97. 反谐波平均滤波器
 【OpenCV 例程200篇】98. 统计排序滤波器
 【OpenCV 例程200篇】99. 修正阿尔法均值滤波器
 【OpenCV 例程200篇】100. 自适应局部降噪滤波器

youcans_

关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
0
评论
【OpenCV 例程200篇】55. 可分离卷积核

线性滤波器就是指基于线性核的滤波，也就是卷积运算。如果卷积核可以被分解为两个或多个较小尺寸卷积核，则称为可分离卷积核。随着图像尺寸与卷积核尺寸的增大，用分离的卷积核依次对图像进行卷积操作，可以有效地提高运算速度。
复制链接

扫一扫