一副圖像通過濾波器得到另一張圖像，其中濾波器又稱為卷積核，濾波的過程稱之為卷積。

這就是一個(gè)卷積的過程，通過一個(gè)卷積核得到另一張圖片，明顯發(fā)現(xiàn)新的到的圖片邊緣部分更加清晰了（銳化）。?

上圖就是一個(gè)卷積的過程，下面的是原始圖像，上面的是卷積核。卷積核以一定步長(zhǎng)對(duì)于原始圖像進(jìn)行卷積處理，得到新的圖像。?

卷積核的大小：上圖中的卷積核是5x5大小的卷積核。

錨點(diǎn)：就是卷積核最中心的位置

邊界擴(kuò)充：進(jìn)行卷積后的圖像一般比原始圖像要小一點(diǎn)，為了和原始圖像大小相同，就需要進(jìn)行邊界擴(kuò)充。

步長(zhǎng)：就是卷積核對(duì)原始圖像進(jìn)行掃描時(shí)，每一次移動(dòng)幾個(gè)像素。

卷積核的大小

（1）卷積核一般為奇數(shù)，如3x3，5x5，7x7；

一方面是為了增加padding的原因，就是進(jìn)行擴(kuò)充操作。

另一方面是保證錨點(diǎn)在中間（大家可以自己畫一下3x3和4x4的矩陣進(jìn)行思考有什么區(qū)別）防止位置發(fā)生偏移。

（2）卷積核大小的影響：卷積核越大，看到的信息（感受野）就越多，提取的特征就越好，同時(shí)計(jì)算量就越大。（目前很多深度學(xué)習(xí)領(lǐng)域中，使用兩個(gè)或多個(gè)小的卷積核代替大的卷積核）

（3）邊界擴(kuò)充：當(dāng)卷積核大于1且不進(jìn)行邊界擴(kuò)充時(shí)，輸出的尺寸一定會(huì)變小，所以需要進(jìn)行邊界擴(kuò)充維持原來的大小。

上圖中下面的是原圖，上面的是進(jìn)行卷積后的圖片，卷積核大小就是如圖中的3x3，虛線部分就是進(jìn)行邊界擴(kuò)充后的，所以很直觀感受到，在進(jìn)行邊界擴(kuò)充后才會(huì)變成原始的圖像大小。?

利用上述公式就可以得出不同的參數(shù)了，這對(duì)我們使用多大的卷積核，希望得到多大尺寸的圖片都很有幫助。?

（4）步長(zhǎng)大小：

上圖中的步長(zhǎng)就是2。

低通濾波與高通濾波

低通濾波與高通濾波相關(guān)知識(shí)

低通濾波就是低于某個(gè)閾值是可以通過的

高通濾波就是高于某個(gè)閾值是可以通過的

低通濾波可以去除噪音或平滑圖像（美顏中磨皮，去痘）

高通濾波可以幫助插值圖像的邊緣（摳圖時(shí)需要邊緣）

圖像卷積

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

src：操作的原始圖像

ddepth：位深，通常設(shè)置為-1

kernel：卷積核 （重要）

anchor：錨點(diǎn)（核的中心點(diǎn)）默認(rèn)為-1，根據(jù)核直接去得到錨點(diǎn)

delta：原始圖進(jìn)行卷積后得到的圖加上delta，默認(rèn)為0

borderType：邊界類型，加黑邊等等? 一般取默認(rèn)值

如圖卷積核是上圖，就意味著在原圖中選5x5的像素每個(gè)值都乘1進(jìn)行相加，得到的結(jié)果乘（1/25）就取得平均值，更加平滑。

圖像卷積實(shí)戰(zhàn)代碼

import cv2
import numpy as npimg = cv2.imread('../MM/preview.jpg')# 自己設(shè)計(jì)的kernel的方法
kernel = np.ones((5, 5), np.float32) / 25
dst = cv2.filter2D(img, -1, kernel)cv2.imshow('dst', dst)
cv2.imshow('img', img)cv2.waitKey(0)

?

左邊是原圖，右邊是處理后的圖片。

看代碼：我們?cè)O(shè)置的是5x5的全為1的矩陣，最后除25.得到結(jié)果更加平滑，但是清晰度明顯下降了。（因此我們自己創(chuàng)的kernel往往不太合適，需要一些現(xiàn)存的效果較好的濾波器）

方盒濾波和均值濾波

方盒濾波：boxFilter(src,ddepth,ksize,anchor,normalize,borderType)

均值濾波：blur(src,ksize,anchor,borderType)

src:處理的圖像

ddepth：位深，通常設(shè)置為-1

ksize：kernel size? 卷積核大小

anchor：錨點(diǎn)（核的中心點(diǎn)）默認(rèn)為-1，根據(jù)核直接去得到錨點(diǎn)

normalize：當(dāng)normalize為True時(shí)，a=1/(W*H)? 此時(shí)會(huì)退化成均值濾波

? ? ? ? ? ? ? ? ? ??當(dāng)normalize為False時(shí),a=1? ? ?下圖就是方盒濾波的卷積核

borderType：邊界類型，加黑邊等等? 一般取默認(rèn)值 。

方盒濾波和均值濾波實(shí)戰(zhàn)代碼

均值濾波：

# 均值濾波
dst = cv2.blur(img, (5, 5))  # 這個(gè)是均值濾波 用blur   其結(jié)果和自己設(shè)計(jì)kernel的結(jié)果相同

結(jié)果和我們?cè)诘诙糠肿约涸O(shè)置kernel的結(jié)果相同，因?yàn)榇藭r(shí)矩陣進(jìn)行相乘后也是除25。

方盒濾波：

# 這種是方盒濾波，其初始中normalize為true變成均值濾波，如果想變成方盒濾波需要把normalize設(shè)置false
dst = cv2.boxFilter(img, -1, (5, 5), False)  
dst1 = cv2.boxFilter(img, -1, (5, 5), True)

?

左邊的是通過方盒濾波得到的結(jié)果，右邊是均值濾波得到的結(jié)果。

高斯濾波?

高斯濾波相關(guān)知識(shí)

上圖就是高斯濾波，發(fā)現(xiàn)一條曲線越靠近中間值越大（權(quán)重越大）

左邊這張圖代表的是矩陣中每個(gè)位置的大小，最中心的大小不一定是最大的（雖然第一張圖25相較于周圍較大），?但是最中心點(diǎn)的權(quán)重一定是最大的，并且越靠近中心權(quán)重越大（如第二張圖，每一個(gè)數(shù)值乘一個(gè)權(quán)重的數(shù)值）

高斯濾波API：GaussianBlur（img，kernel，sigmaX，sigmaY，……）

img：需要對(duì)哪個(gè)圖像進(jìn)行處理

kernel：卷積核（大小） kernelsize

sigmaX，sigmaY：到中心點(diǎn)的延展寬度

可以看出不同的sigma值的結(jié)果，如果沒有sigma時(shí)，就看kernelsize，如下圖。

?高斯濾波實(shí)戰(zhàn)代碼

# 高斯濾波（解決高斯濾波,測(cè)量值會(huì)在均值附近產(chǎn)生大量的值,而離均值較遠(yuǎn)的值則會(huì)較少出現(xiàn)。)
# 設(shè)計(jì)中的錨點(diǎn)附近的權(quán)值較大
dst = cv2.GaussianBlur(img1, (5, 5), sigmaX=1)

?

左邊是原圖，發(fā)現(xiàn)每個(gè)環(huán)里面有很多的噪聲點(diǎn)，經(jīng)過高斯濾波后發(fā)現(xiàn)很多的噪聲點(diǎn)都被去掉了，但是邊緣部分也被處理掉了。（大家也可以自己去嘗試改變sigma的值，看看會(huì)出現(xiàn)什么樣的結(jié)果）

高斯濾波主要就是解決高斯噪點(diǎn)。

中值濾波

中值濾波相關(guān)知識(shí)

假如現(xiàn)在有一個(gè)數(shù)組[1556789],中值濾波就是取其中的中間值作為卷積后的結(jié)果值。

所以，當(dāng)使用卷積核去卷積時(shí)，每一次都會(huì)對(duì)卷積后的結(jié)果進(jìn)行排序，最后選擇中間值。

中值濾波主要針對(duì)胡椒噪聲（整張圖像都有噪聲）有很好的效果。

中值濾波API：medianBlur（img，ksize）

img：就是對(duì)哪張圖片進(jìn)行操作

ksize：kernelsize 卷積核的大小

中值濾波實(shí)戰(zhàn)代碼

# 中值濾波（解決胡椒噪音)
dst = cv2.medianBlur(img2, 7)

?

左邊是具有胡椒噪聲的原圖，右邊是處理后的圖片。?但是邊緣也是被弱化了。

雙邊濾波

雙邊濾波相關(guān)知識(shí)

可以保留邊緣，同時(shí)對(duì)邊緣內(nèi)的區(qū)域進(jìn)行平滑處理。（大家思考，當(dāng)時(shí)我們使用高斯濾波去除區(qū)域內(nèi)的高斯噪聲，但是邊緣被弱化了。那是否我們可以使用雙邊濾波解決邊緣弱化的問題？）

雙邊濾波應(yīng)用于美顏。

對(duì)于輸入圖像來看，邊沿就是色差特別大的區(qū)域，雙邊濾波并沒有對(duì)其進(jìn)行處理，而是將邊沿兩邊進(jìn)行平滑處理。?

雙邊濾波API：bilateralFilter（img，d，sigmaColor，sigmaSpace，……）

img：就是對(duì)哪張圖片進(jìn)行操作

d：直徑（可以認(rèn)為就是核的大小）

sigmaColor：對(duì)邊沿的控制，在一定范圍就不處理邊沿

sigmaSpace：對(duì)邊沿兩邊的控制，在一定范圍內(nèi)進(jìn)行平滑處理

雙邊濾波實(shí)戰(zhàn)代碼

# 雙邊濾波(可以保留邊緣，同時(shí)對(duì)邊緣內(nèi)的區(qū)域進(jìn)行平滑處理）（主要作用是進(jìn)行美顏）
dst = cv2.bilateralFilter(rita, 7, 20, 50)
# dst1=cv2.bilateralFilter(rita,20,20,50) #相比d=7，d=10磨皮效果更好

左邊是原圖，右邊是進(jìn)行雙邊濾波處理后的圖片。大家也可以嘗試去修改d等參數(shù)獲得一個(gè)更好的美顏效果。

—————————————以下都是高通濾波——————————————————————

高通濾波

檢測(cè)邊緣

常見的高通濾波：

Sobel（索貝爾）（首先使用了高斯濾波去噪，后又一階導(dǎo)，得到邊沿）

Scharr（沙爾）當(dāng)Sober的卷積核大小設(shè)置為-1就變成了Scharr

Sobel（索貝爾）和Scharr（沙爾）都只能對(duì)一個(gè)方向進(jìn)行處理，所以得到結(jié)果后需要把x，y得到的結(jié)果加到一起

Laplacian（拉普拉斯）可以直接求出x，y方向的邊緣。對(duì)于噪音比較敏感，因?yàn)閮?nèi)部沒有降噪的處理。

大家可能這樣看x，y方向的邊緣不太理解，等后面實(shí)戰(zhàn)會(huì)有所展示。

Sobel算子

Sobel算子相關(guān)知識(shí)點(diǎn)

先向x方向上求導(dǎo)，然后在y方向求導(dǎo)。最終結(jié)果相加。

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

src：對(duì)哪張圖進(jìn)行操作

ddepth：輸出圖像的位深

dx=1 就檢測(cè)出y邊緣? dy=1就檢測(cè)出x邊緣

ksize：kernelsize 卷積核大小? 。卷積核大小設(shè)置為-1就變成了Scharr

scale：用于縮放

delta：對(duì)結(jié)果進(jìn)行加delta

borderType：邊緣類型

Sobel實(shí)戰(zhàn)代碼

import cv2
import numpy as npimg = cv2.imread('../MM/chess.png')# 索貝爾算子
# y方向的邊緣
y = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)  # 3x3的卷積核就變成了scharr# x方向的邊緣
x = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)  # 默認(rèn)ksize為3dst = x + y  # python自身帶的
dst1 = cv2.add(x, y)cv2.imshow('img', img)
cv2.imshow('y', y)
cv2.imshow('x', x)
cv2.imshow('dst', dst)cv2.waitKey(0)

第一張圖是原圖，第二張代碼中使dy=1，得到x方向上的邊沿。第三張代碼中使dx=1，得到y(tǒng)方向上的邊沿。最后代碼中的dst和dst1得到的效果都是一樣的，將x，y方向上的邊沿加在一起。

Sobel不可以將dx，dy都設(shè)置成1。大家可以自己設(shè)置一些看看會(huì)出現(xiàn)什么樣的結(jié)果。

Scharr算子

Scharr算子相關(guān)知識(shí)點(diǎn)

與Sobel類似，但是使用的kernel值不同。Scharr只支持3x3的卷積核。

Scharr只能求x方向或y方向的邊緣。

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

src：對(duì)哪張圖進(jìn)行操作

ddepth：輸出圖像的位深

dx=1 就檢測(cè)出y邊緣? dy=1就檢測(cè)出x邊緣

scale：用于縮放

delta：對(duì)結(jié)果進(jìn)行加delta

borderType：邊緣類型

Scharr算子實(shí)戰(zhàn)代碼

?

得到的圖像和Sobel的圖像相同。?但是Scharr還識(shí)別出來一些細(xì)小的點(diǎn)。（Soble用的較多）

拉普拉斯算子

拉普拉斯算子相關(guān)知識(shí)

可以同時(shí)求兩個(gè)方向的邊緣，不用和Sobel或Scharr一樣單獨(dú)求x，y。

拉普拉斯算子對(duì)于噪聲比較敏感，所以一般需要進(jìn)行去噪后再使用拉普拉斯。

拉普拉斯API：Laplacian（src，ddepth，ksize=1，scale=1，borderType=BORDER_DEFAULT）

src：對(duì)哪張圖進(jìn)行操作

ddepth：輸出圖像的位深

ksize=kernelsize卷積核大小

scale：用于縮放

borderType：邊緣類型

拉普拉斯實(shí)戰(zhàn)代碼

ldst = cv2.Laplacian(img, cv2.CV_64F, ksize=5)

?

左圖是原圖，右圖是進(jìn)過拉普拉斯處理后的圖片。由于原圖中噪音比較少，所以直接使用了拉普拉斯。

邊緣檢測(cè)Canny（重要）

Canny的相關(guān)知識(shí)

對(duì)于Sobel，Scharr需要分別對(duì)x，y進(jìn)行操作，拉普拉斯需要進(jìn)行降噪處理。

而Canny相較于這三種就比較完美，效果好，并且簡(jiǎn)單。

canny使用的是5x5的高斯濾波消除噪聲（比拉普拉斯好），計(jì)算圖像梯度方向（0，45，90，135）（比Soble，Scharr全面），取局部最大值，閾值計(jì)算。

閾值計(jì)算原理，超過maxval的一定是邊緣，小于minval的一定不是邊緣。再maxval和minval之間的可能是可能不是，如果像c點(diǎn)一樣于超過maxval確定是邊緣的線是連續(xù)的，那c點(diǎn)就是邊緣，否則像b一樣就不是邊緣。?

Canny的API：Canny（img，minval，maxval，……）

img：對(duì)哪張圖片進(jìn)行操作

minval，maxval：要進(jìn)行手動(dòng)設(shè)置閾值

Canny實(shí)戰(zhàn)代碼

import cv2
import numpy as npimg = cv2.imread('../MM/preview.jpg')dst = cv2.Canny(img, 180, 200)cv2.imshow('img', img)
cv2.imshow('dst', dst)cv2.waitKey(0)

?

大家可以根據(jù)自己的圖片改變相關(guān)的maxval和minval來體會(huì)不同的感覺。?