OpenCV中的滤波器

图像滤波

滤波的作用：一幅图像通过滤波器得到另一幅图像；其中滤波器又称为卷积核，滤波的过程被称为卷积

卷积的几个基本概念：

卷积核的大小：
- 卷积核一般为奇数，如3 * 3,5 * 5， 7 * 7等
- 一方面是增加padding的原因
- 另一方面是保证锚点在中间，防止位置发生偏移的原因
- 影响：在深度学习中，卷积核越大，看到的信息（感受野）越多，提取的特征越好，同时计算量也就越大
锚点：
- 正中心
边界扩充：
- 当卷积核大于1且不进行边界扩充，输出尺寸将响应缩小
- 当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等
- 计算公式：N = (W - F + 2P) / S + 1
  - N输出图像大小
  - W源图大小
  - F卷积核大小
  - P扩充尺寸
  - S步长大小
步长

实战图像卷积

低通滤波与高通滤波

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

图像卷积

filter2D(src,ddepth,kernel,anchor,delta,borderType)
- src：对哪幅图像进行卷积
- ddepth：图像的位深
- kernel：卷积核
- anchor：锚点，默认为(-1,-1)
- delta：每个元素加一个delta值
- borderType：边界类型

#平滑处理
import cv2
import numpy as np

img = cv2.imread('1.png')
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)

方盒滤波与均值滤波

方盒滤波

在这里插入图片描述

参数a的作用：
- normalize = true, a = 1/W *H (进行均值化) 方盒滤波==平均滤波
- normalize = false, a = 1 (不进行均值化)
boxFilter(src,ddepth,ksize,anchor,normalize,borderType)

均值滤波

blur(src,ksize,anchor,borderType)
一般只设src,ksize即可，使用anchor,borderType的默认值

dst = cv2.blur(img,(5,5))

高斯滤波：

图像类似正态分布，中间高，两边低

在这里插入图片描述

GaussianBlur(img,kernel,sigmaX,sigmaY…)
- sigmaX:钟型滤波的延展宽度，也就是最大范围到中心点有多大误差，sigma越大，图像越模糊

dst = cv2.GaussianBlur(img,(5,5),sigmaX = 1)

sigma越大，图像越模糊，使用高斯滤波主要用于解决高斯噪点

中值滤波

优点：对胡椒噪音效果明显
medianBlur(img,ksize)

dst = cv2.medianBlur(img,(5,5))

双边滤波

优点：可以保留边缘，同时可以对边缘内的区域进行平滑处理
主要作用：进行美颜

bilateralFilter(img,d,sigmaColor,sigmaSpace,…)

dst = cv2.bilateralFilter(img,7,20,50)

高通滤波–Scharr算子

与Sobel类似，只不过使用的kernel值不同
Scharr只能求x方向或y方向的边缘
Scharr(src,ddepth,dx,dy,scale = 1, delta = 0, borderType = BORDER_DEFAULT)

d1 = cv2.Scharr(img,cv2.CV_64F,0,1)

高通滤波–拉普拉斯算子

优点：可以同时求两个方向的边缘
缺点：对噪音敏感，一般需要先进行去噪再调用拉普拉斯
Laplacian(img,ddepth,ksize = 1,scale = 1, borderType = BORDER_DEFAULT)

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

边缘检测Canny

边缘检测终极大法
优点：边缘处理细致、操作简单
操作实现：
- 使用5*5高斯滤波消除噪声
- 计算图像梯度的方向（0/45/90/135）
- 取局部极大值
- 阈值计算：如果大于最大值，一定是边缘；如果低于最小值，一定不是边缘；如果在两者之间，需要判断与之前是否连贯（连贯是边缘）
Canny(img,minVal,maxVal,…)