OpenCV_自定义线性滤波(filter2D)应用详解

OpenCV filter2D将图像与内核进行卷积，将任意线性滤波器应用于图像。支持就地操作。当孔径部分位于图像之外时，该函数根据指定的边界模式插值异常像素值。

卷积核本质上是一个固定大小的系数数组，数组中的某个元素被作为锚点（一般是数组的中心）。

上面讲了线性滤波的实质就是计算相关，相关计算的具体步骤如下：

将卷积核的锚点放在某个目标像素上，卷积核的其他部分就会覆盖目标像素的邻近像素；
将卷积核上的系数与被覆盖的像素的值相乘，然后将积加总；
将加总的和赋予目标像素
对图像上的所有像素都应用以上步骤，直到每个像素都被当作目标像素进行了计算。

函数：

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

src 输入图像

       dst  输出图像，与 src 大小相同、通道数相同

       ddepth  目标图像的所需深度

        kernel 卷积核（或者更确切地说是相关核），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 split 将图像分割为单独的颜色平面并单独处理它们。

        anchor 内核的锚点，指示内核中过滤点的相对位置；锚应该位于内核内；默认值（-1，-1）                      表示锚点位于内核中心。

        delta  在将过滤像素存储到 dst 之前添加到过滤像素的可选值。

        borderType 像素外推方法。可以选以下几种：BORDER_CONSTANT，BORDER_REPLICATE，BORDER_REFLECT，BORDER_REFLECT_101，BORDER_TRANSPARENT，BORDER_REFLECT101，BORDER_DEFAULT，BORDER_ISOLATED。

OpenCV filter2D函数应用

使用OpenCV filter2D函数，通过改变卷积核（kernel）可达成不同的滤波效果。下面就OpenCV filter2D函数的几种常用场景做说明，并以实例做演示。

图像锐化

图像锐化使用的卷积核如下：

Mat kernel = (Mat_<char>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);

下面以实例演示图像锐化操作及锐化效果，示例代码如下：

void QuickDemo::nineth(Mat image) {
    Mat sharpenImage;
	Mat kernel = (Mat_<int>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
	filter2D(image, sharpenImage, image.depth(), kernel, Point(-1, -1), 0);
	namedWindow("锐化", WINDOW_AUTOSIZE);
	imshow("锐化", sharpenImage);
}

可以看到经过Filter2D滤波后的图像变得更清晰。

均值滤波

OpenCV filter2D函数实现均值滤波的卷积核如下：

Mat kernel = (Mat_<float>(3, 3) << 1, 1, 1, 1, 1, 1, 1, 1, 1) / 9;

下面以实例演示filter2D实现图像均值滤波操作及滤波效果，示例代码如下：

void QuickDemo::nineth(Mat image) {
	Mat blurImage;
	Mat kernel = (Mat_<float>(3, 3) << 1, 1, 1, 1, 1, 1, 1, 1, 1)/9;
	filter2D(image, blurImage, image.depth(), kernel, Point(-1, -1));
	namedWindow("均值滤波", WINDOW_AUTOSIZE);
	imshow("均值滤波", blurImage);
}

可以看出，均值滤波可以去除图像椒盐噪声，达到磨皮效果。

高斯滤波

OpenCV filter2D函数实现高斯滤波的卷积核可由高斯核转换得到，方法如下：

Mat kernelGaussian = getGaussianKernel(9, 1.5);
Mat kernel = kernelGaussian * kernelGaussian.t()；

getGaussianKernel( int ksize, double sigma, int ktype = CV_32F );

参数说明：

ksize：高斯核的大小。它必须是大于零的奇数。

sigma：高斯核的标准差。如果它等于零，那么根据ksize自动选择。

ktype：矩阵的类型。默认值为CV_32F。

返回值：

一个ksize x 1的列矩阵，表示高斯核。

下面以实例演示filter2D实现图像高斯滤波操作及滤波效果，示例代码如下：

void QuickDemo::nineth(Mat image) {
	Mat gauBlurImage;
	//Mat kernel = (Mat_<float>(3, 3) << 1, 1, 1, 1, 1, 1, 1, 1, 1)/9;
	Mat kernelGaussian = getGaussianKernel(9, 1.5);
	Mat  kernel = kernelGaussian * kernelGaussian.t();
	filter2D(image, gauBlurImage, image.depth(), kernel, Point(-1, -1));
	namedWindow("高斯滤波", WINDOW_AUTOSIZE);
	imshow("高斯滤波", gauBlurImage);
}

可以看出，同样filter2D均高斯滤波同样可以去除图像椒盐噪声，达成磨皮效果，且所需次数更少。

边缘检测

filter2D还可以使用sobel内核实现边缘检测，soble内核如下：

Mat sobelX = (Mat_<float>(3, 3) << -1, 0, 1,-2, 0, 2,-1, 0, 1);
Mat sobelY = (Mat_<float>(3, 3) << -1, -2, -1,0, 0, 0,1, 2, 1);

下面以实例演示filter2D 用sobel核实现图像边缘检测操作及滤波效果，示例代码如下：

void QuickDemo::nineth(Mat image) {
	threshold(image, image, 200, 255, THRESH_BINARY);

	Mat sobelX = (Mat_<float>(3, 3) << -1, 0, 1, -2, 0, 2, -1, 0, 1);
	Mat sobelY = (Mat_<float>(3, 3) << -1, -2, -1, 0, 0, 0, 1, 2, 1);

	Mat edges, edgesX, edgesY;
	filter2D(image, edgesX, CV_16S, sobelX);
	filter2D(image, edgesY, CV_16S, sobelY);

	convertScaleAbs(edgesX, edgesX);
	convertScaleAbs(edgesY, edgesY);
	addWeighted(edgesX,0.5,edgesY,0.5,0,edges);
	namedWindow("边缘检测", WINDOW_AUTOSIZE);
	imshow("边缘检测", edges);
}

可以看出确实检测到了边缘，效果并不是很好。

filter2D还可以使用Prewitt核，实现边缘检测。Prewitt核如下：

Mat prewitt_x = (Mat_<int>(3, 3) << -1, 0, 1, -1, 0, 1, -1, 0, 1);
Mat prewitt_y = (Mat_<int>(3, 3) << -1, -1, -1,0, 0, 0, 1, 1, 1);

下面以实例演示filter2D 用Prewitt核实现图像边缘检测操作及滤波效果，示例代码如下：

void QuickDemo::nineth(Mat image) {
	threshold(image, image, 127, 255, THRESH_BINARY);

	Mat prewitt_x = (Mat_<int>(3, 3) << -1, 0, 1, -1, 0, 1, -1, 0, 1);
	Mat prewitt_y = (Mat_<int>(3, 3) << -1, -1, -1, 0, 0, 0, 1, 1, 1);

	Mat edges, edgesX, edgesY;
	filter2D(image, edgesX, CV_16S, prewitt_x );
	filter2D(image, edgesY, CV_16S, prewitt_y );

	convertScaleAbs(edgesX, edgesX);
	convertScaleAbs(edgesY, edgesY);
	addWeighted(edgesX,0.5,edgesY,0.5,0,edges);
	namedWindow("边缘检测", WINDOW_AUTOSIZE);
	imshow("边缘检测", edges);
}

从结果可以看出，filter2D使用Prewitt核检测边缘的结果，与使用sobel核边缘检测的结果是有差异的。

标签：Mat,自定义,卷积,滤波,像素,OpenCV,图像,filter2D
From： https://blog.csdn.net/qq_34800671/article/details/142481681