opencv 之自定义线性滤波

通过函数滤波

通过API进行滤波处理，滤波算法基本固定，灵活性不大，得到的图片效果只能在一定范围内进行动态调整。例如高斯模糊、均值模糊等利用的滤波算法

---

自定义滤波算法

图像处理中最基本的就是卷积处理，利用算子在图片不停的移动计算产生我们想要的目的图像。自定义滤波算法的首要做法就是定义算子(卷积核)

常见的算子：
Robert算子：
$$\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right]$$
该算子左上角像素点减去右下角像素点，算子和为0，得出图片较暗，突出斜方向图片细节。
$$\left[\begin{array}{cc}0& 1\\ -1& 0\end{array}\right]$$
该算子右上角像素点减去左下角像素点，算子和为0，得出图片较暗，突出斜方向图片细节。

---

Sobel算子：
$$Gx=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$$
该算子左边像素点减去右边像素点，算子和为0，得出图片较暗，突出水平方向图片细节，本行所在算子乘以2倍，边缘信息更强。
$$Gy=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$$
该算子下边像素点减去上边像素点，算子和为0，得出图片较暗，突出垂直方向图片细节，本列所在算子乘以2倍，边缘信息更强。

---

拉普拉斯算子:
$$\left[\begin{array}{ccc}0& -1& 0\\ -1& 4& -1\\ 0& -1& 0\end{array}\right]$$
该算子中央像素点的四倍值减去周围像素点，算子和为0，得出图片较暗，突出边缘信息，亮度大的更大，亮度小的更小。

---

代码

#include <iostream>  
#include <fstream>
#include <opencv2/opencv.hpp>

#define Pic_Path "/home/image/Pictures/" 
#define Pic_Name "model.jpg" 

using namespace std;
using namespace cv;
int main(int argc, char **argv)
{
    string pic = string(Pic_Path) + string(Pic_Name);
    cout << pic << endl;
	
    
    Mat src; 
    src = imread(pic.c_str());
    cv::namedWindow("原始图片",cv::WINDOW_AUTOSIZE);
    cv::imshow("原始图片",src);
  #if 0
    //正向 robert
    Mat dst_x;
    Mat kernel_x = (cv::Mat_<int>(2,2)<<1,0,0,-1);
    cv::filter2D(src,dst_x,src.depth(),kernel_x,cv::Point(-1,-1),0,0);
    cv::namedWindow("正斜罗伯特",cv::WINDOW_AUTOSIZE);
    cv::imshow("正斜罗伯特",dst_x);
    
    
    //逆向 robert
    Mat dst_y;
    Mat kernel_y = (cv::Mat_<int>(2,2)<<0,1,-1,0);
    cv::filter2D(src,dst_y,src.depth(),kernel_y,cv::Point(-1,-1),0,0);
    cv::namedWindow("反斜罗伯特",cv::WINDOW_AUTOSIZE);
    cv::imshow("反斜罗伯特",dst_y);
  
    Mat dst_level;
    Mat kernel_level = (cv::Mat_<int>(3,3)<<-1,0,1,-2,0,2,-1,0,1);
    cv::filter2D(src,dst_level,src.depth(),kernel_level,cv::Point(-1,-1),0,0);
    cv::namedWindow("水平索贝尔",cv::WINDOW_AUTOSIZE);
    cv::imshow("水平索贝尔",dst_level);

    
    Mat dst_ver;
    Mat kernel_ver = (cv::Mat_<int>(3,3)<<-1,-2,-1,0,0,0,1,2,1);
    cv::filter2D(src,dst_ver,src.depth(),kernel_ver,cv::Point(-1,-1),0,0);
    cv::namedWindow("垂直索贝尔",cv::WINDOW_AUTOSIZE);
    cv::imshow("垂直索贝尔",dst_ver);
   
    
    Mat dst_lapulas;
    Mat kernel_lapulas = (cv::Mat_<int>(3,3)<<0,-1,0,-1,4,-1,0,-1,0);
    cv::filter2D(src,dst_lapulas,src.depth(),kernel_lapulas,cv::Point(-1,-1),0,0);
    cv::namedWindow("拉普拉斯",cv::WINDOW_AUTOSIZE);
    cv::imshow("拉普拉斯",dst_lapulas);
     #endif
    Mat dst;
    int c = 0;
    int index = 0;
    int ksize = 0;
    while(true)
    {
            c=waitKey(500);    //500毫秒
            if(c==27)          //判断键值是否为esc
                break;
            ksize = 4+(index%5)*2+1;     //定义模糊卷积核尺寸
            
            //生成卷积核 1填充 并除以面积  进行归一化处理 实质是均值滤波 size不断变化而已
            Mat mykernel = Mat::ones(Size(ksize, ksize), CV_32F) / (float)(ksize * ksize);
            
            //填充
            filter2D(src, dst, -1, mykernel, Point(-1, -1));
            index++;
            imshow("自定义算子",dst);
    }
    
    waitKey(0);
    cv::destroyAllWindows();
    return 0;
}