【15】opencv卷积运算

参考：

https://blog.csdn.net/zhu_hongji/article/details/81562746（关于卷积运算）

https://www.cnblogs.com/MrMKG/p/16062746.html（对于RNG函数的解答）

（一）首先是对于边缘的填充（避免有些像素卷积不了）

C++ void copyMakeBorder（
                           Mat src, // 输入图像
                           Mat dst, // 添加边缘图像
                           int top, // 边缘长度，一般上下左右都取相同值，
                           int bottom,
                           int left,
                           int right, 
                           int borderType // 边缘类型
                           Scalar value ）

关于borderType的值：

 - BORDER_CONSTANT – 填充边缘用指定像素值

 - BORDER_REPLICATE – 填充边缘像素用已知的边缘像素值。

 - BORDER_WRAP – 用另外一边的像素来补偿填充

下面实现对于图片边缘地区进行填补像素：

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
    Mat Origin = imread("0003.jpg");
    if (!Origin.data)
    {
        cout << "ERROR" << endl;
        return -1;
    }
    Mat OutPut1 = Mat(Origin.size(), Origin.type());
    Mat OutPut2 = Mat(Origin.size(), Origin.type());
    Mat OutPut3 = Mat(Origin.size(), Origin.type());
    int added_cols = Origin.cols * 0.06;
    int added_rows = Origin.rows * 0.06;
    RNG rng(14);
    Scalar color = (rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255));
    copyMakeBorder(Origin, OutPut1, added_cols, added_cols, added_rows, added_rows,BORDER_ISOLATED, color);
    copyMakeBorder(Origin, OutPut2, added_cols, added_cols, added_rows, added_rows,BORDER_DEFAULT, color);
    copyMakeBorder(Origin, OutPut3, added_cols, added_cols, added_rows, added_rows, BORDER_CONSTANT, color);
    imshow("OUTPUT    BORDER_ISOLATED", OutPut1);
    imshow("OUTPUT    BORDER_DEFAULT", OutPut2);
    imshow("OUTPUT    BORDER_CONSTANT", OutPut3);
    waitKey(0);
    
}

（二）卷积运算代码基础

<1>自定义卷积模糊：

    Mat Model = (Mat_<char>(3,3) << 1, 0, 0, 0, 1, 0, 0, 0, 1);

C++ void filter2D(
                    Mat src, //输入图像
                    Mat dst, // 模糊图像
                    int depth, // 图像深度32/8
                    Mat kernel, // 卷积核/模板
                    Point anchor, // 锚点位置
                    double delta // 计算出来的像素+delta)其中 kernel是可以自定义的卷积核

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main()
{
    Mat Input = imread("0004.jpg");
    Mat Output_1 = Mat(Input.size(), Input.type());
    Mat Output_2 = Mat(Input.size(), Input.type());
    Mat Output_3 = Mat(Input.size(), Input.type());
    if (!Input.data)
    {
        cout << "ERROR" << endl;
        return -1;
    }
    Mat Model_1 = (Mat_<char>(3,3) << 0, 1 , 0, 0, 1, 0, 0, 1, 0);
    Mat Model_2 = (Mat_<char>(3, 3) << -1, 0, 1, -2, 0, 2, -1, 0, 1);
    Mat Model_3 = (Mat_<char>(3, 3) << 0, -1, 0, -1, 4, -1, 0, -1, 0);
    Point ANCHOR = Point(-1, -1);

    filter2D(Input, Output_1,-1, Model_1,ANCHOR,BORDER_DEFAULT);
    filter2D(Input, Output_2, -1, Model_2, ANCHOR,100, BORDER_DEFAULT);
    filter2D(Input, Output_3, -1, Model_3, ANCHOR,100 ,BORDER_DEFAULT);
    imshow("input", Input);
    imshow("output1", Output_1);
    imshow("output2", Output_2);
    imshow("output3", Output_3);
    waitKey(0);
}

<2>Sobel算子：

关于sobel算子具体内容，移步：

https://blog.sciencenet.cn/blog-425437-1139187.html

https://www.daimadog.com/2335.html

C++ void Sobel ( 
                    InputArray Src // 输入图像
                    OutputArray dst// 输出图像，大小与输入图像一致
                    int depth // 输出图像深度. 
                    Int dx  // X方向，几阶导数
                    int dy // Y方向，几阶导数 
                    int ksize, SOBEL算子kernel大小，必须是1、3、5、7、
                    double scale  = 1
                    double delta = 0
                    int borderType = BORDER_DEFAULT)

参数解释：

src：原图
ddepth：处理结果图像深度，一般我们都填-1，即与原图深度相同。但在这里我们需要填写cv2.CV_64F。简单来说就是如果填写-1，我们在计算梯度时产生的负数就会被程序默认为0，导致有一边的边缘出不来。而cv2.CV_64F范围更大，可以保留负数。
dx：计算x方向的梯度
dy：计算y方向的梯度
ksize：卷积核的尺寸。默认为3，即3*3的矩阵。
原文链接：https://blog.csdn.net/weixin_45939019/article/details/104410567

//改进版本的sobel算子：
C++ void Scharr (
InputArray Src // 输入图像
OutputArray dst// 输出图像，大小与输入图像一致
int depth // 输出图像深度.
Int dx. // X方向，几阶导数
int dy // Y方向，几阶导数.
double scale = 1
double delta = 0
int borderType = BORDER_DEFAULT)

（to be continued）

（三）常用卷积核

以下为原图片：

<1>什么都不处理（3*3）

很容易理解，就是0*8+中间原像素值

<2>图像锐化滤波器Sharpness Filter（3*3）（梯度锐化和拉普拉斯锐化）

注意一下，中间值为8就是边缘检测，为9就是原图的图像锐化

另外，如果卷积核更大，则锐化的程度也会更细致。

我的分析（暂无，等待学习数字图像处理再来推导）

>>关于梯度锐化：

>>关于拉普拉斯锐化：

具体分析见：

https://blog.csdn.net/weixin_42183170/article/details/88751409

<3>边缘检测Edge Detection

相当于求导的离散版本：你将当前的像素值减去前一个像素值，这样你就可以得到这个函数在这两个位置的差别或者斜率。

上面的是垂直边缘检测，以此类推，可以实现水平和斜向45度的边缘检测。

<4>Canny边缘检测Edge Detection

<5>浮雕Embossing Filter

浮雕滤波器可以给图像一种3D阴影的效果。只要将中心一边的像素减去另一边的像素就可以了。这时候，像素值有可能是负数，我们将负数当成阴影，将正数当成光，然后我们对结果图像加上128的偏移。这时候，图像大部分就变成灰色了。（转载）

这里我将灰度值调高了100

<6>均值模糊Box Filter (Averaging)

注意这里的1应该是十三分之一，这里没有处理，只是将最后输出的图片的灰度值更改了。

均值就得求平均。

你想要更模糊的效果，加大滤波器的大小即可。或者对图像应用多次模糊也可以。

<7>高斯模糊

均值模糊很简单，但不是很平滑。高斯模糊就有这个优点，所以被广泛用在图像降噪上。特别是在边缘检测之前，都会用来移除细节。高斯滤波器是一个低通滤波器。（转载）

低通滤波可以简单的认为：设定一个频率点，当信号频率高于这个频率时不能通过，在数字信号中，这个频率点也就是截止频率，当频域高于这个截止频率时，则全部赋值为0。因为在这一处理过程中，让低频信号全部通过，所以称为低通滤波。

低通过滤的概念存在于各种不同的领域，诸如电子电路，数据平滑，声学阻挡，图像模糊等领域经常会用到。

在数字图像处理领域，从频域看，低通滤波可以对图像进行平滑去噪处理。

//_src _IN_ 输入的源影像
//_dst _OUT_ 输出的目标影像
//kSize 核大小 如果大小为负数的话，那么根据输入的sigma进行计算
//ksize 大小可以为1，3，5，7，最大值为7
//计算的公式为 sigma = 0.3\*((ksize - 1)\*0.5 - 1) + 0.8
//sigmal1 X方向上的sigma值
//sigmal2 Y方向上的sigma值
//如果sigmal值为负数的话，那么使用默认的滤波过滤器
void cv::GaussianBlur( InputArray _src, OutputArray _dst, Size ksize,
                   double sigma1, double sigma2,
                   int borderType )