Python-OpenCV中的filter2D()函数

使用自定义内核对图像进行卷积。该功能将任意线性滤波器应用于图像。支持就地操作。当光圈部分位于图像外部时，该功能会根据指定的边框模式插入异常像素值。

 

 

语法

函数原型：

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

参数：

参数	描述
src	原图像
dst	目标图像，与原图像尺寸和通过数相同
ddepth	目标图像的所需深度
kernel	卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。
anchor	内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。
detal	在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
borderType	像素外推法，参见BorderTypes

该函数实际计算的是相关性，而不是卷积

$$\texttt{dst} (x,y) = \sum _{ \stackrel{0\leq x' < \texttt{kernel.cols},}{0\leq y' < \texttt{kernel.rows}} } \texttt{kernel} (x',y')* \texttt{src} (x+x'- \texttt{anchor.x} ,y+y'- \texttt{anchor.y} )$$

在内核足够大（~11x11或者更大）的时候，该函数使用DFT算法，对于小内核则直接计算。

也可见,anchor相当于坐标轴平移。

其中ddepth表示目标图像的所需深度，它包含有关图像中存储的数据类型的信息，可以是unsigned char（CV_8U），signed char（CV_8S），unsigned short（CV_16U）等等...

Input depth (src.depth())	Output depth (ddepth)
CV_8U	-1/CV_16S/CV_32F/CV_64F
CV_16U/CV_16S	-1/CV_32F/CV_64F
CV_32F	-1/CV_32F/CV_64F
CV_64F	-1/CV_64F

 Note：当ddepth=-1时，表示输出图像与原图像有相同的深度。

 

例子

图像内核是一个小矩阵，用于应用您可能在Photoshop或Gimp中找到的效果，例如模糊，锐化，轮廓或浮雕。它们还用于机器学习中的“特征提取”，这是一种用于确定图像最重要部分的技术。在这种情况下，该过程更普遍地称为“卷积”（参见：卷积神经网络）。

有许多有趣的内核，下面一一介绍：

 1、模糊（blur）

模糊内核消除了相邻像素值之间的差异。内核如下：

0.0625	0.125	0.0625
0.125	0.25	0.125
0.0625	0.125	0.125

 

 

 

 

 代码：

import cv2
import numpy as np

def solve():

    src = cv2.imread("./Pictures/car001.jpg")
    if src is None:
        return -1

    kernel = np.array((
        [0.0625, 0.125, 0.0625],
        [0.125, 0.25, 0.125],
        [0.0625, 0.125, 0.0625]), dtype="float32")


    dst = cv2.filter2D(src, -1, kernel)
    htich = np.hstack((src, dst))
    cv2.imwrite("./Pictures/car.jpg", htich)
    cv2.imshow('merged_img', htich)
    cv2.waitKey(0)

    return 0


if __name__ == "__main__":
    solve()

效果：

 

2、索贝尔（sobel）

sobel内核用于仅显示特定方向上相邻像素值的差异，分为left sobel、right sobel（检测梯度的水平变化）、top sobel、buttom sobel（检测梯度的垂直变化）。

例如，buttom sobel

-1	-2	-1
0	0	0
1	2	1

 

 

 

 

代码与上面类似，只需修改krenel的值。

3、浮雕（emboss）

通过强调像素的差在给定方向的Givens深度的错觉。在这种情况下，沿着从左上到右下的直线的方向。

-2	-1	0
-1	1	1
0	1	2

 

 

 

 

效果：

4、大纲（outline）

一个轮廓内核（也称为“边缘”的内核）用于突出显示的像素值大的差异。具有接近相同强度的相邻像素旁边的像素在新图像中将显示为黑色，而与强烈不同的相邻像素相邻的像素将显示为白色。

-1	-1	-1
-1	8	-1
-1	-1	-1

 

 

 

 

效果：

5、锐化（sharpen）

该锐化内核强调在相邻的像素值的差异。这使图像看起来更生动。

0	-1	0
-1	5	-1
0	-1	0

 

 

 

 

效果：

 

6、拉普拉斯算子（laplacian operator）

拉普拉斯算子可以用于边缘检测，对于检测图像中的模糊也非常有用。

0	1	0
1	-4	1
0	1	0

 

 

 

 

 

效果：

 

7、分身（identity）

这个非常简单，就是原图（不考虑边界时），How boring!

0	0	0
0	1	0
0	0	0

 

 

 

 

 

 

拓展部分

正如您在本博文中所收集的那样，我们必须  手动定义每个内核以应用各种操作，例如平滑，锐化和边缘检测。

如何定义内核达到你想要的效果，这并不是一件简单的事情。

现在有一种神经网络——CNN，通过应用卷积滤波器，非线性激活函数，汇集和反向传播，CNN能够学习过滤器（的权重），可以检测网络较低层中的边缘和类似blob的结构 - 然后使用边缘和结构作为构建块，最终在网络的更深层中检测更高级别的对象（即，面部，猫，狗，杯等）。这样就不必手动定义过滤器了。

 

参考链接：

1、Depth combination https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#filter_depths 

2、cv2.filter2d（）opencv中ddepth参数的解释？https://stackoverflow.com/questions/43392956/explanation-for-ddepth-parameter-in-cv2-filter2d-opencv

3、Image-kernels Demo http://setosa.io/ev/image-kernels/