机器视觉学习（七）—— 卷积、边缘和滤波器

一、卷积运算

1.1 卷积运算的公式

1.2 卷积操作

二、垂直边缘与水平边缘

2.1 cv2.filter2D()函数

2.2 Sobel算子

三、滤波器

一、卷积运算

1.1 卷积运算的公式

卷积运算是一种图像处理的基本操作，常用于图像滤波、边缘检测等应用中。

卷积运算的基本思想是将一个图像与一个称为卷积核（或滤波器）的小矩阵进行乘积运算，然后将所有乘积的结果相加，得到最终的输出图像。这个过程可以用以下公式表示：

1. 假设我们有一个3×3的图像：

1 2 3
4 5 6
7 8 9

2. 而我们有一个3×3的滤波器：

-1 0 1
-1 0 1
-1 0 1

卷积运算的过程如下：

将滤波器与图像的一个像素窗口进行对应元素的乘法操作：

(-1 × 1) + (0 × 2) + (1 × 3) = 2
(-1 × 4) + (0 × 5) + (1 × 6) = 2
(-1 × 7) + (0 × 8) + (1 × 9) = 2

对乘法结果进行求和以得到新的像素值：

2 + 2 + 2 = 6

将新的像素值放置在输出图像的相应位置。

重复以上过程，对图像的每个像素都进行卷积运算，最终得到输出图像。

如图所示：

1.2 卷积操作

在OpenCV中，可以通过使用cv2.filter2D()函数来进行卷积运算。该函数接受输入图像、输出图像、卷积核等参数，可以对图像进行卷积运算并得到结果。

以下是一个使用OpenCV进行卷积运算的示例代码：

import cv2
import numpy as np# 读取图像
image = cv2.imread('image.jpg')# 定义卷积核
kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]])# 进行卷积运算
result = cv2.filter2D(image, -1, kernel)# 显示结果图像
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个示例中，我们读取了一张图像，然后定义了一个卷积核。卷积核是一个3x3的矩阵，表示一个锐化效果。最后，我们使用cv2.filter2D()函数对图像进行卷积运算，并将结果显示出来。

二、垂直边缘与水平边缘

2.1 `cv2.filter2D()函数`

在OpenCV中，使用cv2.filter2D()进行垂直边缘和水平边缘检测，您可以使用以下内核：

垂直边缘：

kernel_vertical = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])

水平边缘：

kernel_horizontal = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])

下面是一个示例代码，展示如何使用cv2.filter2D()对图像进行垂直边缘和水平边缘检测：

import cv2
import numpy as np# 读取图像
image = cv2.imread('image.jpg', 0)# 定义垂直边缘和水平边缘的内核
kernel_vertical = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
kernel_horizontal = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])# 使用cv2.filter2D()进行垂直边缘检测
vertical_edges = cv2.filter2D(image, -1, kernel_vertical)# 使用cv2.filter2D()进行水平边缘检测
horizontal_edges = cv2.filter2D(image, -1, kernel_horizontal)# 显示原始图像和边缘图像
cv2.imshow('Original Image', image)
cv2.imshow('Vertical Edges', vertical_edges)
cv2.imshow('Horizontal Edges', horizontal_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这个例子中，我们首先使用cv2.imread()读取图像，再使用cv2.filter2D()分别应用这些内核来检测垂直边缘和水平边缘。最后，我们使用cv2.imshow()显示原始图像和边缘图像。

2.2 Sobel算子

在OpenCV中，也可以使用Sobel算子来检测图像中的垂直边缘和水平边缘。

垂直边缘检测：

import cv2# 读取图像
image = cv2.imread('image.jpg')# 转为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用Sobel算子检测垂直边缘
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)# 将结果取绝对值并转为无符号8位整型
sobelx = cv2.convertScaleAbs(sobelx)# 显示结果
cv2.imshow('Vertical Edges', sobelx)
cv2.waitKey(0)
cv2.destroyAllWindows()

水平边缘检测：

import cv2# 读取图像
image = cv2.imread('image.jpg')# 转为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用Sobel算子检测水平边缘
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)# 将结果取绝对值并转为无符号8位整型
sobely = cv2.convertScaleAbs(sobely)# 显示结果
cv2.imshow('Horizontal Edges', sobely)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这两个例子中，cv2.Sobel()函数用来执行Sobel算子操作。它接受以下参数：

gray：灰度图像。
cv2.CV_64F：结果图像的数据类型。
1, 0：在垂直方向上计算一阶导数。
0, 1：在水平方向上计算一阶导数。
ksize=3：Sobel算子的大小。

所得到的结果是包含边缘强度的图像，通过取绝对值，并将其转换为无符号8位整型，我们可以得到可视化的边缘图像。最后，使用cv2.imshow()函数来显示结果。

三、滤波器

OpenCV是一个开源的计算机视觉库，提供了一些滤波器的实现。

均值滤波器（Mean Filter）：通过计算像素周围邻域内像素的平均值来平滑图像。可以使用cv2.blur()函数实现。
高斯滤波器（Gaussian Filter）：根据高斯分布来对图像进行平滑处理。可以使用cv2.GaussianBlur()函数实现。
中值滤波器（Median Filter）：通过计算像素周围邻域内像素的中值来平滑图像。可以使用cv2.medianBlur()函数实现。
双边滤波器（Bilateral Filter）：考虑了像素的空间距离和像素之间的灰度差异，以保持边缘的清晰度。可以使用cv2.bilateralFilter()函数实现。
自定义滤波器（Custom Filter）：可以通过定义自己的卷积核来实现自定义的滤波效果。可以使用cv2.filter2D()函数实现。

import cv2 as cvimg = cv.imread("D:/Open_CV/OpenCV_demo/Pictures/1.1.png")
img = cv.resize(img,(300,300),interpolation = cv.INTER_AREA)       # 图像缩放 (长,宽)blur = cv.blur(img,(5,5))                               # 均值滤波
gaussian = cv.GaussianBlur(img,(7,7),10)                # 高斯滤波
median = cv.medianBlur(img,5)                           # 中值滤波
bila = cv.bilateralFilter(img,9,75,75)                  # 双边滤波cv.imshow("img",img)
cv.imshow("blur",blur)
cv.imshow("gaussian",gaussian)
cv.imshow("median",median)
cv.imshow("bila",bila)cv.waitKey(0)

运行结果：