一副图像通过滤波器得到另一张图像，其中滤波器又称为卷积核，滤波的过程称之为卷积。

这就是一个卷积的过程，通过一个卷积核得到另一张图片，明显发现新的到的图片边缘部分更加清晰了（锐化）。 

上图就是一个卷积的过程，下面的是原始图像，上面的是卷积核。卷积核以一定步长对于原始图像进行卷积处理，得到新的图像。 

卷积核的大小：上图中的卷积核是5x5大小的卷积核。

锚点：就是卷积核最中心的位置

边界扩充：进行卷积后的图像一般比原始图像要小一点，为了和原始图像大小相同，就需要进行边界扩充。

步长：就是卷积核对原始图像进行扫描时，每一次移动几个像素。

卷积核的大小

（1）卷积核一般为奇数，如3x3，5x5，7x7；

一方面是为了增加padding的原因，就是进行扩充操作。

另一方面是保证锚点在中间（大家可以自己画一下3x3和4x4的矩阵进行思考有什么区别）防止位置发生偏移。

（2）卷积核大小的影响：卷积核越大，看到的信息（感受野）就越多，提取的特征就越好，同时计算量就越大。（目前很多深度学习领域中，使用两个或多个小的卷积核代替大的卷积核）

（3）边界扩充：当卷积核大于1且不进行边界扩充时，输出的尺寸一定会变小，所以需要进行边界扩充维持原来的大小。

上图中下面的是原图，上面的是进行卷积后的图片，卷积核大小就是如图中的3x3，虚线部分就是进行边界扩充后的，所以很直观感受到，在进行边界扩充后才会变成原始的图像大小。 

利用上述公式就可以得出不同的参数了，这对我们使用多大的卷积核，希望得到多大尺寸的图片都很有帮助。 

（4）步长大小：

上图中的步长就是2。

低通滤波与高通滤波

低通滤波与高通滤波相关知识

低通滤波就是低于某个阈值是可以通过的

高通滤波就是高于某个阈值是可以通过的

低通滤波可以去除噪音或平滑图像（美颜中磨皮，去痘）

高通滤波可以帮助插值图像的边缘（抠图时需要边缘）

图像卷积

filter2D（src，ddepth，kernel，anchor，delta，borderType）

src：操作的原始图像

ddepth：位深，通常设置为-1

kernel：卷积核 （重要）

anchor：锚点（核的中心点）默认为-1，根据核直接去得到锚点

delta：原始图进行卷积后得到的图加上delta，默认为0

borderType：边界类型，加黑边等等  一般取默认值

如图卷积核是上图，就意味着在原图中选5x5的像素每个值都乘1进行相加，得到的结果乘（1/25）就取得平均值，更加平滑。

图像卷积实战代码

import cv2
import numpy as npimg = cv2.imread('../MM/preview.jpg')# 自己设计的kernel的方法
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)

 

左边是原图，右边是处理后的图片。

看代码：我们设置的是5x5的全为1的矩阵，最后除25.得到结果更加平滑，但是清晰度明显下降了。（因此我们自己创的kernel往往不太合适，需要一些现存的效果较好的滤波器）

方盒滤波和均值滤波

方盒滤波：boxFilter(src,ddepth,ksize,anchor,normalize,borderType)

均值滤波：blur(src,ksize,anchor,borderType)

src:处理的图像

ddepth：位深，通常设置为-1

ksize：kernel size  卷积核大小

anchor：锚点（核的中心点）默认为-1，根据核直接去得到锚点

normalize：当normalize为True时，a=1/(W*H)  此时会退化成均值滤波

                    当normalize为False时,a=1     下图就是方盒滤波的卷积核

borderType：边界类型，加黑边等等  一般取默认值 。

方盒滤波和均值滤波实战代码

均值滤波：

# 均值滤波
dst = cv2.blur(img, (5, 5))  # 这个是均值滤波 用blur   其结果和自己设计kernel的结果相同

结果和我们在第二部分自己设置kernel的结果相同，因为此时矩阵进行相乘后也是除25。

方盒滤波：

# 这种是方盒滤波，其初始中normalize为true变成均值滤波，如果想变成方盒滤波需要把normalize设置false
dst = cv2.boxFilter(img, -1, (5, 5), False)  
dst1 = cv2.boxFilter(img, -1, (5, 5), True)

 

左边的是通过方盒滤波得到的结果，右边是均值滤波得到的结果。

高斯滤波 

高斯滤波相关知识

上图就是高斯滤波，发现一条曲线越靠近中间值越大（权重越大）

左边这张图代表的是矩阵中每个位置的大小，最中心的大小不一定是最大的（虽然第一张图25相较于周围较大）， 但是最中心点的权重一定是最大的，并且越靠近中心权重越大（如第二张图，每一个数值乘一个权重的数值）

高斯滤波API：GaussianBlur（img，kernel，sigmaX，sigmaY，……）

img：需要对哪个图像进行处理

kernel：卷积核（大小） kernelsize

sigmaX，sigmaY：到中心点的延展宽度

可以看出不同的sigma值的结果，如果没有sigma时，就看kernelsize，如下图。

 高斯滤波实战代码

# 高斯滤波（解决高斯滤波,测量值会在均值附近产生大量的值,而离均值较远的值则会较少出现。)
# 设计中的锚点附近的权值较大
dst = cv2.GaussianBlur(img1, (5, 5), sigmaX=1)

 

左边是原图，发现每个环里面有很多的噪声点，经过高斯滤波后发现很多的噪声点都被去掉了，但是边缘部分也被处理掉了。（大家也可以自己去尝试改变sigma的值，看看会出现什么样的结果）

高斯滤波主要就是解决高斯噪点。

中值滤波

中值滤波相关知识

假如现在有一个数组[1556789],中值滤波就是取其中的中间值作为卷积后的结果值。

所以，当使用卷积核去卷积时，每一次都会对卷积后的结果进行排序，最后选择中间值。

中值滤波主要针对胡椒噪声（整张图像都有噪声）有很好的效果。

中值滤波API：medianBlur（img，ksize）

img：就是对哪张图片进行操作

ksize：kernelsize 卷积核的大小

中值滤波实战代码

# 中值滤波（解决胡椒噪音)
dst = cv2.medianBlur(img2, 7)

 

左边是具有胡椒噪声的原图，右边是处理后的图片。 但是边缘也是被弱化了。

双边滤波

双边滤波相关知识

可以保留边缘，同时对边缘内的区域进行平滑处理。（大家思考，当时我们使用高斯滤波去除区域内的高斯噪声，但是边缘被弱化了。那是否我们可以使用双边滤波解决边缘弱化的问题？）

双边滤波应用于美颜。

对于输入图像来看，边沿就是色差特别大的区域，双边滤波并没有对其进行处理，而是将边沿两边进行平滑处理。 

双边滤波API：bilateralFilter（img，d，sigmaColor，sigmaSpace，……）

img：就是对哪张图片进行操作

d：直径（可以认为就是核的大小）

sigmaColor：对边沿的控制，在一定范围就不处理边沿

sigmaSpace：对边沿两边的控制，在一定范围内进行平滑处理

双边滤波实战代码

# 双边滤波(可以保留边缘，同时对边缘内的区域进行平滑处理）（主要作用是进行美颜）
dst = cv2.bilateralFilter(rita, 7, 20, 50)
# dst1=cv2.bilateralFilter(rita,20,20,50) #相比d=7，d=10磨皮效果更好

左边是原图，右边是进行双边滤波处理后的图片。大家也可以尝试去修改d等参数获得一个更好的美颜效果。

—————————————以下都是高通滤波——————————————————————

高通滤波

检测边缘

常见的高通滤波：

Sobel（索贝尔）（首先使用了高斯滤波去噪，后又一阶导，得到边沿）

Scharr（沙尔）当Sober的卷积核大小设置为-1就变成了Scharr

Sobel（索贝尔）和Scharr（沙尔）都只能对一个方向进行处理，所以得到结果后需要把x，y得到的结果加到一起

Laplacian（拉普拉斯）可以直接求出x，y方向的边缘。对于噪音比较敏感，因为内部没有降噪的处理。

大家可能这样看x，y方向的边缘不太理解，等后面实战会有所展示。

Sobel算子

Sobel算子相关知识点

先向x方向上求导，然后在y方向求导。最终结果相加。

Sobel算子API：Sobel（src，ddepth，dx，dy，ksize=3，scale=1，delta=0，borderType=BORDER_DEFAULT）

src：对哪张图进行操作

ddepth：输出图像的位深

dx=1 就检测出y边缘  dy=1就检测出x边缘

ksize：kernelsize 卷积核大小  。卷积核大小设置为-1就变成了Scharr

scale：用于缩放

delta：对结果进行加delta

borderType：边缘类型

Sobel实战代码

import cv2
import numpy as npimg = cv2.imread('../MM/chess.png')# 索贝尔算子
# y方向的边缘
y = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)  # 3x3的卷积核就变成了scharr# x方向的边缘
x = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)  # 默认ksize为3dst = x + y  # python自身带的
dst1 = cv2.add(x, y)cv2.imshow('img', img)
cv2.imshow('y', y)
cv2.imshow('x', x)
cv2.imshow('dst', dst)cv2.waitKey(0)

第一张图是原图，第二张代码中使dy=1，得到x方向上的边沿。第三张代码中使dx=1，得到y方向上的边沿。最后代码中的dst和dst1得到的效果都是一样的，将x，y方向上的边沿加在一起。

Sobel不可以将dx，dy都设置成1。大家可以自己设置一些看看会出现什么样的结果。

Scharr算子

Scharr算子相关知识点

与Sobel类似，但是使用的kernel值不同。Scharr只支持3x3的卷积核。

Scharr只能求x方向或y方向的边缘。

Scharr的API :Scharr（src，ddepth，dx，dy，scale=1，delta=0，borderType=BORDER_DEFAULT）

src：对哪张图进行操作

ddepth：输出图像的位深

dx=1 就检测出y边缘  dy=1就检测出x边缘

scale：用于缩放

delta：对结果进行加delta

borderType：边缘类型

Scharr算子实战代码

 

得到的图像和Sobel的图像相同。 但是Scharr还识别出来一些细小的点。（Soble用的较多）

拉普拉斯算子

拉普拉斯算子相关知识

可以同时求两个方向的边缘，不用和Sobel或Scharr一样单独求x，y。

拉普拉斯算子对于噪声比较敏感，所以一般需要进行去噪后再使用拉普拉斯。

拉普拉斯API：Laplacian（src，ddepth，ksize=1，scale=1，borderType=BORDER_DEFAULT）

src：对哪张图进行操作

ddepth：输出图像的位深

ksize=kernelsize卷积核大小

scale：用于缩放

borderType：边缘类型

拉普拉斯实战代码

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

 

左图是原图，右图是进过拉普拉斯处理后的图片。由于原图中噪音比较少，所以直接使用了拉普拉斯。

边缘检测Canny（重要）

Canny的相关知识

对于Sobel，Scharr需要分别对x，y进行操作，拉普拉斯需要进行降噪处理。

而Canny相较于这三种就比较完美，效果好，并且简单。

canny使用的是5x5的高斯滤波消除噪声（比拉普拉斯好），计算图像梯度方向（0，45，90，135）（比Soble，Scharr全面），取局部最大值，阈值计算。

阈值计算原理，超过maxval的一定是边缘，小于minval的一定不是边缘。再maxval和minval之间的可能是可能不是，如果像c点一样于超过maxval确定是边缘的线是连续的，那c点就是边缘，否则像b一样就不是边缘。 

Canny的API：Canny（img，minval，maxval，……）

img：对哪张图片进行操作

minval，maxval：要进行手动设置阈值

Canny实战代码

import cv2
import numpy as npimg = cv2.imread('../MM/preview.jpg')dst = cv2.Canny(img, 180, 200)cv2.imshow('img', img)
cv2.imshow('dst', dst)cv2.waitKey(0)

 

大家可以根据自己的图片改变相关的maxval和minval来体会不同的感觉。