图像卷积操作（convolution），或称为核操作（kernel），是进行图像处理的一种常用手段，
图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系，通过加权求和的操作，实现模糊（blurring），锐化（sharpening），边缘检测（edge detection）等功能。
期末考试结束！又开始学习opencv啦
1、什么是图片卷积
图像卷积 就是 卷积核在图像上按行滑动遍历像素时不断地相乘求和的过程
2D卷积需要4个嵌套循环4-double loop，所以它并不快，除非我们使用很小的卷积核。这里一般使用3x3或者5x5。而且，对于滤波器，也有一定的规则要求：
1）滤波器的大小应该是奇数，例如3x3，5x5或者7x7。（原因后面会提到）
2）滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。
3）如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。
4）对于滤波后的结构，可能会出现负数或者大于255的数值。对这种情况，我们将他们直接截断到0和255之间即可。对于负数，也可以取绝对值。
步长
步长就是卷积核在图像上移动的步幅，充分扫描图片，步长一般为1
下例步长为2（不太常见）
padding
上面的例子中发现，卷积操作后图片的长宽会变小，如果要保持图片大小不变，我们需要在图片的周围填充0，padding指的是填充0的圈数
可以通过公式计算出需要填充的0的圈数
右下角的公式是P=（F-1）/2
（自动认为步长为0哈）
卷积核的大小
滤波器的大小应该是奇数。
- 这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2。
- 根据上面的padding公式，如果保持图片大小不变，采用偶数卷积核的话，比如4*4，将会出现填充1.5圈0的情况
- 有中心，指出滤波器的位置，即opencv卷积中的锚点
卷积案例
函数
filter2D(src, ddepth, kernel[, dst[,anchor[,delta[,borderType]]]])
- ddepth是卷积之后的位深，即卷积之后图片的位深，即卷积之后图片的数据类型，一般设为-1，表示和原图类型一致
- kernel是卷积核大小，用元组或者ndarray表示，要求数据类型必须是float型
- anchor锚点，即卷积核的中心点，是可选参数，默认值是（-1，-1）
- delta 可选参数，表示卷积之后额外加一个值，相当于线性方程中的偏差，默认是0
- borderType边界类型，一般不设
模糊
实例：
import cv2
import numpy as np
img = cv2.imread("F:\est01\e3.jpg")
kernel = np.ones((5, 5), np.float32)/25
# 卷积操作
dst = cv2.filter2D(img, -1, kernel)
cv2.imshow('img', np.hstack((img, dst)))
cv2.waitKey(0)
cv2.destroyAllWindows()其他函数说明：
1、np.ones()函数
返回给定形状和数据类型的新数组，其中元素的值设置为1。此函数与numpy zeros()函数非常相似。
np.ones(shape, dtype=None, order='C')
- shape：一个整数类型或者一个整数元组，用于定义数组的大小。如果仅指定一个整数类型变量，则返回一维数组。如果指定的是整数元组，则返回给定形状的数组。
- dtype：可选参数，默认值为float。用于指定数组的数据类型。
- order：指定内存重以行优先(‘C’)还是列优先(‘F’)顺序存储多维数组。
2、拼接数组
np.vstack():在竖直方向上堆叠
np.hstack():在水平方向上平铺
就是相当于两张图片组合到一块
结果：
np.ones((5, 5), np.float32)/25结合上面的原理，/25相当于取平均值，所以就是模糊的效果了
