【opencv学习笔记】016之卷积与自定义线性滤波

野性酷女 2021-08-26 20:30 338阅读 0赞

**目录**

一、前言

二、卷积

1、啥是卷积

2、卷积的数学原理

三、自定义线性滤波

1、讲解

2、API

3、代码展示

4、执行结果

四、borderType

1、为啥要处理边缘

2、borderType

3、代码实战

--------------------

# 一、前言 #

继续填坑。

如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容，可以直接看我的OpenCV分类：

> [【OpenCV系列】：https://blog.csdn.net/shuiyixin/article/category/7581855][OpenCV_https_blog.csdn.net_shuiyixin_article_category_7581855]

如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容，想与更多大佬一起沟通，那就扫描下方二维码加入我们吧！

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_36_color_FF36FF_t_70][]

# 二、卷积 #

## 1、啥是卷积 ##

我们经常说卷积，那啥是卷积呢？

卷积本身是一个数学概念，但是更多的，我们经常会在深度学习听到：卷积神经网络。但真正研究核心神经网络的人会发现，其实研究的就是数学。除了在深度学习中，在计算机视觉中，卷积也会经常见到，它常用于图像处理。

想要更加深入的理解卷积，我们还是通过数学了解一下，卷积到底是个什么鬼。

## 2、卷积的数学原理 ##

因为卷积的概念还是比较容易理解的，所以在这里，我们来详细讲一下卷积的数学原理。

首先我们先来看一下卷积的定义：

> 在泛函分析中，卷积、旋积或摺积(英语：Convolution)是**通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数f 与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分**。

通过定义，我们再来理解一下卷积这个名词（**注：只是为了帮助大家理解，这是我的个人理解，不一定具有严格的准确性，初学者可以借用这个理解方式快速了解卷积，如果有更完整，更准确的理解方式，还望大家能够评论一起交流**）：

> 卷：两个函数的反转和平移，可以理解为两个函数通过运算纠缠到了一起，卷到了一起。
> 
> 积：积分（本质就是运算的求和）

理解了这两个字，对于卷积操作，我们就可以更好地理解他们的公式了。

首先我们先来看连续数据：

设:f(x),g(x)是R1上的两个可积函数，作积分：

![20200222092905245.png][]

这个积分就定义了一个新函数h(x)，称为函数f与g的卷积，记为h(x)=(f\*g)(x)。

接下来我们看离散数据。

![20200222092914860.png][]

我们知道，积分就是连续的无限的求和运算。讲了这么多，可能大家还是对具体的不太清楚，那我们通过离散来理解一下卷积的过程。通过一个具体的例子来说明一下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_66_color_FFF75F_t_70][] 卷积示例

左边是一个图像，后面是经过卷积操作之后的图像，中间的3×3的二维矩阵就是一个卷积核。具体计算流程如下：

> 31 = (15\*1 + 17\*1 + 19\*1 + 56\*1 + 18\*1 + 20\*1 + 97\*1 + 19\*1 + 20\*1) / 9

大家对这个图相对比较熟悉了，因为我们在之前也见到过，就是我们之前学的图像的**掩膜操作**，**掩膜操作实现图像对比度调整**。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_66_color_F359FF_t_70][] 全部做掩膜操作

掩膜操作的计算过程如下：

> 1 \* 0 + 2 \* (-1) + 3 \* 0 + 2 \* (-1) + 3 \* 5 + 4 \* (-1) + 3 \* 0 + 4 \* (-1) + 5 \* 0 = 3

我们在掩膜操作之中没有平均，而且我们的掩膜操作和卷积操作的核实不一样的，但是计算过程非常类似，大家不要弄混。

定义图像为I(x,y)，核为G(i,j)，其中0<i<Mi-1和0<j<Mj-1，锚点位于相应核的(ai,aj)坐标上。所以对于上面这个我们能得到计算公式如下：

![20200222192749162.png][]

# 三、自定义线性滤波 #

## 1、讲解 ##

通过上面的讲解我们知道了卷积，现在我们来讲一下自定义线性滤波，所谓自定义，就是我们自己定义线性滤波的卷积核。

而我们经常定义的卷积核就是全一的卷积核。

#include<iostream>
    #include<opencv2/opencv.hpp>
    
    using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat  kernel = Mat::ones(Size(3, 3),CV_32F)/9;
    
    	cout << kernel << endl;
    
    	waitKey(0);
    	return 0;
    }

我们可以定义一个3×3的全一卷积核，这个全一卷积核中的全一是不考虑最后要除以的核大小的。如下图，我们在最外面还是要除以核大小。

![20200222200557812.png][]

我们的输出结果如下：

![20200222200645357.png][]

## 2、API ##

因为我们和掩膜操作过程是一样的，只不过是核不同，所以我们自定义线性滤波的API也是：filter2D，具体如下：

void filter2D( 
        InputArray src, 
        OutputArray dst, 
        int ddepth,                            
        InputArray kernel, 
        Point anchor = Point(-1,-1),                            
        double delta = 0, 
        int borderType = BORDER_DEFAULT 
    );

函数参数含义如下：

> （1）InputArray类型的src ，输入图像。
> 
> （2）OutputArray类型的dst ，输出图像，图像的大小、通道数和输入图像相同。
> 
> （3）int类型的ddepth，目标图像的所需深度。
> 
> （4）InputArray类型的kernel，卷积核（或者更确切地说是相关核）是一种单通道浮点矩阵；如果要将不同的核应用于不同的通道，请使用split将图像分割成不同的颜色平面，并分别对其进行处理。。
> 
> （5）Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。。
> 
> （6）double类型的delta，在将筛选的像素存储到dst中之前添加到这些像素的可选值。说的有点专业了其实就是给所选的像素值添加一个值delta。
> 
> （7）int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER\_DEFAULT。

## 3、代码展示 ##

#include<iostream>
    #include<opencv2/opencv.hpp>
    
    using namespace std;
    using namespace cv;
    
    int main()
    {
    	Mat img, src, kernel;
    	img = imread("E:/image/girl2.png");
    	if (!img.data)
    	{
    		cout << "could not load image !";
    		return -1;
    	}
    	imshow("【输入图像】", img);
    	kernel = Mat::ones(Size(3, 3),CV_32F)/9;
    	filter2D(img, src, -1, kernel, Point(-1, -1),0);
    	cout << kernel << endl;
    
    
    	imshow("【输出图像】", src);
    
    	waitKey(0);
    	return 0;
    }

## 4、执行结果 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F78FFF_t_70][] 原图

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF78F_t_70][] 进行滤波后

# 四、borderType #

## 1、为啥要处理边缘 ##

我们在做卷积操作的时候，我想大家都意识到了一个问题，就是边缘问题：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_66_color_FFF75F_t_70][] 卷积示例

对于卷积示例中，3×3的卷积核，图像的最外层一个像素宽度的边缘是没有数据的，因为我们通过简单地卷积操作，会在行列分别丢失两个像素。

也就是说，我们要单独处理一下边缘。

## 2、borderType ##

这个就涉及到我们的最后一个参数，borderType。opencv中常用的边界类型如下：

enum BorderTypes {
        BORDER_CONSTANT    = 0, //!< `iiiiii|abcdefgh|iiiiiii`  with some specified `i`
        BORDER_REPLICATE   = 1, //!< `aaaaaa|abcdefgh|hhhhhhh`
        BORDER_REFLECT     = 2, //!< `fedcba|abcdefgh|hgfedcb`
        BORDER_WRAP        = 3, //!< `cdefgh|abcdefgh|abcdefg`
        BORDER_REFLECT_101 = 4, //!< `gfedcb|abcdefgh|gfedcba`
        BORDER_TRANSPARENT = 5, //!< `uvwxyz|absdefgh|ijklmno`
    
        BORDER_REFLECT101  = BORDER_REFLECT_101, //!< same as BORDER_REFLECT_101
        BORDER_DEFAULT     = BORDER_REFLECT_101, //!< same as BORDER_REFLECT_101
        BORDER_ISOLATED    = 16 //!< do not look outside of ROI
    };

除了默认的**BORDER\_DEFAULT**。最常用的还有：

>  - **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

## 3、代码实战 ##

我们尝试使用不同的边界类型，看一下它的结果。为了更加明显，我们将卷积核设的更大一些。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF75F_t_70][] 原图

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F75FFF_t_70][]**BORDER\_DEFAULT**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FF78FF_t_70][]**BORDER\_CONSTANT**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF78F_t_70 1][]**BORDER\_REPLICATE**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FF78FF_t_70 1][]**BORDER\_WRAP**

大家也可以自己尝试一下呀，一定要多做练习！

[OpenCV_https_blog.csdn.net_shuiyixin_article_category_7581855]: https://blog.csdn.net/shuiyixin/article/category/7581855
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_36_color_FF36FF_t_70]: /images/20210516/aff89e41228b4ec1bc8ef78acdfb3d37.png
[20200222092905245.png]: /images/20210516/dec4371bfec1475c8e1a7357a2d35ea2.png
[20200222092914860.png]: /images/20210516/1cca0815b57b46998dd4d830301b1e8f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_66_color_FFF75F_t_70]: /images/20210516/36649821e7e84cdb90c7813cd3bbb1f8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_66_color_F359FF_t_70]: /images/20210516/ac579438d86a4054894ff40ed45c0efd.png
[20200222192749162.png]: /images/20210516/e24eab4041eb42f29e06d5cec41d2f88.png
[20200222200557812.png]: /images/20210516/198cb61d5e2943e08726c38a8e7e34da.png
[20200222200645357.png]: /images/20210516/6cb015c446ed4bc1a2ef9d3d449b3417.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F78FFF_t_70]: /images/20210516/5600ca7e0fe14ab7aba723624479bced.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF78F_t_70]: /images/20210516/dcadd868f4804350bc2863bed084ae04.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF75F_t_70]: /images/20210516/73112198c6d94ffab65fbfe77e8e413a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_F75FFF_t_70]: /images/20210516/1df13faac3e44c77a305dd38b4ecd5f7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FF78FF_t_70]: /images/20210516/01c9dfc408374bb190ba1f80f5db8d34.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FFF78F_t_70 1]: /images/20210516/07e96ee37b4646248b24835c0dc94bcc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NodWl5aXhpbg_size_46_color_FF78FF_t_70 1]: /images/20210516/8f38091337c44705910b4251633af529.png