API

照例，我們搬一下官網(wǎng)的 API：

C++

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

Python

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

函數(shù)詳解

這個(gè)函數(shù)一般是用于圖像的卷積，但 OpenCV 文檔里說(shuō)這個(gè)函數(shù)不完全等于圖像卷積。這一點(diǎn)說(shuō)實(shí)話我看到的時(shí)候也震驚到了，我一直是拿它當(dāng)卷積來(lái)用的。但是仔細(xì)考慮后，我認(rèn)為這一點(diǎn)完全是定義上的差異，日常用的圖像卷積定義和這個(gè)函數(shù)的功能實(shí)際上是一致的。

HelloWorld

直接上手做往往能給人最直觀的感受。因此，最開(kāi)始這里我要放一個(gè)使用這個(gè)函數(shù)的最小化程序，可以稱(chēng)之為該函數(shù)的 hello world 程序。這個(gè)程序跑通了，就可以很方便地嘗試其他參數(shù)的作用了。

# HelloWrold Program of cv.filter2D
# by Aling on 2021/1/18
import numpy as np
import cv2 as cv

def main():
    img = cv.imread("你想讀的圖片")
    
    # 定義卷積核
    kernel = np.ones((10， 10)) / 100
    
    # 執(zhí)行濾波
    avg_filtered = cv.filter2D(img, -1, kernel)

    # 顯示圖片
    cv.imshow("Average filtered", avg_filtered)
    cv.waitKey(0)
    cv.destroyAllWindows()

if __name__ == "__main__":
    main()

這個(gè)程序讀取一張圖片，并將其通過(guò)10 x 10 的卷積核作均值濾波并顯示結(jié)果。

參數(shù)詳解

同樣的，這里把各個(gè)參數(shù)打一張表：

src

這個(gè)參數(shù)沒(méi)什么好說(shuō)的，就是原圖像。它可以是任何色彩模式，這就意味著如果你把原本送到這個(gè)函數(shù)里的圖片從黑白變成了彩色（單通道變成了 3 通道），你并不需要更改其他參數(shù)。本身，對(duì)多通道的圖像，卷積就是以通道為單位進(jìn)行的。

ddepth

這個(gè)參數(shù)有點(diǎn)費(fèi)解了。大部分情況下不需要管它是干嘛的，直接把它設(shè)成 -1 就沒(méi)有任何問(wèn)題。

參數(shù)名 ddepth ，英文是 desired depth，即期望深度。什么意思呢？我們來(lái)看它的可能取值表（來(lái)自這里）：

這個(gè)表里的一大串 CV 打頭的符號(hào)到底是什么意思呢？實(shí)際上這些符號(hào)的末尾字母對(duì)應(yīng)了數(shù)據(jù)類(lèi)型：

U == Unsigned int  # 無(wú)符號(hào)整型
S == Signed int    # 有符號(hào)整型
F == Float         # 浮點(diǎn)型

中間的數(shù)字很顯然代表了數(shù)據(jù)類(lèi)型所占用的空間（bit）。所以，所謂深度，其實(shí)指的是數(shù)據(jù)類(lèi)型。

那就好說(shuō)了，你會(huì)發(fā)現(xiàn)這里其實(shí)是規(guī)定了輸出數(shù)據(jù)的類(lèi)型，包括每個(gè)通道的每個(gè)像素占用多少空間。輸出數(shù)據(jù)的類(lèi)型必須根據(jù)上面的表格中輸入對(duì)應(yīng)的類(lèi)型指定。這里 -1 表示輸出類(lèi)型和輸入相同。

不過(guò)，值得注意的是，似乎有些數(shù)據(jù)類(lèi)型無(wú)法通過(guò) cv2.imshow 正常顯示，可以用 matplotlib.pyplot.imshow 來(lái)代替。

但是，還是注意，沒(méi)有關(guān)于數(shù)據(jù)類(lèi)型的特別要求時(shí)，這個(gè)功能是不需要的，取 -1 即可。

kernel & anchor

這兩個(gè)參數(shù)都是卷積相關(guān)的，因此放在一節(jié)里面講述。接下來(lái)的內(nèi)容假設(shè)你已經(jīng)了解了圖像卷積。

這里，kernel 很顯然表示的是卷積核，這是一個(gè) numpy.ndarray 類(lèi)型的矩陣。這個(gè)矩陣的生成可以用 numpy 自帶的函數(shù)，但是對(duì)于復(fù)雜一些的卷積核，OpenCV 內(nèi)部的一些函數(shù)顯然更合適。如 getStructuringElement，getGaussianKernel，前者用于獲取特定形狀的核，后者則是高斯核生生成器（不過(guò)要注意生成的是一個(gè)向量）。

# 方法一示例
kernel = cv.getStructuringElement(cv.MORPH_RECT, (11, 11))

# 方法二示例
vector = cv.getGaussianKernel(11, -1)
kernel = vector @ vector.T

anchor 則表示錨點(diǎn)。什么叫錨點(diǎn)呢？看下面這張圖：

可以說(shuō)，錨點(diǎn) anchor 決定了卷積核相對(duì)于生成目標(biāo)點(diǎn)的位置。雖然錨點(diǎn)是相對(duì)于卷積核來(lái)定義的，但是卷積的過(guò)程更像是通過(guò)錨點(diǎn)去尋找卷積核。遍歷圖像中的每一個(gè)像素，以每一個(gè)像素為錨點(diǎn)，按照相對(duì)位置生成卷積范圍，和卷積核對(duì)應(yīng)元素相乘再求和得到目標(biāo)圖像中對(duì)應(yīng)像素的值?？梢杂霉奖硎境桑?/p>

這實(shí)際上就是一般的圖像卷積計(jì)算方法。OpenCV 文檔里面敘述的卷積定義則是需要將卷積核圍繞錨點(diǎn)對(duì)稱(chēng)變換，再用上面的公式計(jì)算。這種方法更接近卷積原始的定義，但是對(duì)圖像的卷積一般的應(yīng)用而言（濾波、深度學(xué)習(xí)）這兩種定義實(shí)際上沒(méi)有什么區(qū)別。、

錨點(diǎn)用一個(gè)元組指定，是相對(duì)于卷積核左上角的坐標(biāo)，從 0 開(kāi)始：

# 替換掉 HelloWorld 程序的對(duì)應(yīng)行。
avg_filtered = cv.filter2D(img, -1, kernel, (1, 2))

delta

這個(gè)參數(shù)的存在其實(shí)有些費(fèi)解，它的效果很簡(jiǎn)單，就是把卷積的結(jié)果加上一個(gè)固定的數(shù)字。直觀上將，它將整個(gè)圖像變亮或者變暗了。從應(yīng)用上來(lái)說(shuō)，它實(shí)際上將卷積過(guò)程擴(kuò)展成了一般的線性運(yùn)算（ ∗ * ∗ 表示卷積）：

這個(gè)線性運(yùn)算可以將結(jié)果限定在某一符合要求的范圍內(nèi)（比如大于 0），而且不會(huì)阻斷梯度的傳遞。

borderType

這個(gè)參數(shù)更改的是 border 的生成方式。這個(gè) border，也就是邊緣，是在靠近邊緣的部分卷積時(shí)用到的，參考上面那張圖。無(wú)論 anchor 是什么，總有些邊緣上的點(diǎn)對(duì)應(yīng)的卷積范圍無(wú)法完全落在原圖內(nèi)，這就需要對(duì)原圖進(jìn)行擴(kuò)展。擴(kuò)展的方法就是我們這里參數(shù)的含義。

這個(gè)參數(shù)取值是 OpenCV 里的 cv::BorderTypes enum 類(lèi)定義的值，其可能取值及其對(duì)于邊緣的作用結(jié)果如下圖所示（圖片來(lái)自 OpenCV Python 教程）：

要注意幾點(diǎn)：

• cv.BORDER_WARP 在這個(gè)函數(shù)里面是不支持的；
• cv.BORDER_CONSTANT 會(huì)將邊緣取為 0（黑色），而且沒(méi)法改，因?yàn)樵瘮?shù)并沒(méi)有留出相關(guān)的接口。

擴(kuò)展——濾波相關(guān)函數(shù)

圖像濾波是一個(gè)很常用的功能，對(duì)此，OpenCV 也定義了很多函數(shù)。這里介紹的 cv.filter2D 是這些函數(shù)中可控性最高的，因?yàn)槟憧梢杂米远x的核進(jìn)行卷積。但是一些常用的濾波，我們可以不必自己定義相應(yīng)的核，直接用定義好的函數(shù)就可以了。

均值濾波

dst = cv.blur(img, (11, 11))

# 等效于：
dst = cv.filter2D(img, -1, np.ones((11, 11))/11**2)

高斯濾波

dst = cv.GaussianBlur(img, (11, 11), -1)

# 等效于
vector = cv.getGaussianKernel(11, -1)
kernel = vector @ vector.T
dst = cv.filter2D(img, -1, kernel)

中值濾波

dst = cv.medianBlur(img, 11)

注意中值濾波是取中位數(shù)作為目標(biāo)值，是一個(gè)非線性濾波子，因此無(wú)法通過(guò)線性濾波的 cv.filter2D 來(lái)等效實(shí)現(xiàn)。

參考鏈接

• 最新版 OpenCV 官方文檔
• OpenCV Python 教程
• cv::filter2D 函數(shù) API
• cv::BorderTypes 參考頁(yè)

總結(jié)

到此這篇關(guān)于OpenCV圖像卷積之cv.filter2D()函數(shù)詳解的文章就介紹到這了,更多相關(guān)OpenCV圖像卷積cv.filter2D()函數(shù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論