OpenCV学习+常用函数记录②：图像卷积与滤波

• 最近因项目需要加上自己的兴趣，需要用一些opencv相关的东西，虽然之前零零碎碎学习过一些，但是很久不用就忘了，打算写篇文章总结一下学习的过程以及一些常用的函数。类似的博文有很多，但还是觉得自己总结一编印象深一些。

2.1 图像卷积

dst = cv.filter2D(图像, -1, kernel)

2.2 均值滤波

核心API：cv.blur(图像，卷积核)

2.3 中值滤波

核心API：cv.medianBlur(图像，卷积核)

2.4 高斯模糊

核心API：cv.GaussianBlur(图像, (卷积核), 标准差)

代码示例

import cv2 as cv
import numpy as np

kernel = np.ones((3, 3), np.float32)/9
print kernel

src = cv.imread("../img/salt.jpg")
cv.imshow("src", src)

dst = cv.filter2D(src, -1, kernel)					# 均值滤波
cv.imshow("dst", dst)

dst2 = cv.blur(src, (3, 3))								# 均值滤波
cv.imshow("dst2", dst2)

dst3 = cv.medianBlur(src, 5)						# 中值滤波
cv.imshow("dst3", dst3)

dst4 = cv.GaussianBlur(src, (3, 3), 5)		# 高斯模糊
cv.imshow("dst4", dst4)

cv.waitKey()

2.5 Sobel算子

Sobel算子是像素图像边缘检测 中最重要的算子之一，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。

在图像的任何一点使用此算子，将会产生该点对应的 梯度矢量

import cv2 as cv

src = cv.imread("../img/brain.jpg")

# sobel算子  参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
x_sobel = cv.Sobel(src, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_sobel = cv.convertScaleAbs(x_sobel)

# sobel算子  参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
y_sobel = cv.Sobel(src, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_sobel = cv.convertScaleAbs(y_sobel)

# 将x，y方向的内容叠加起来
xy_sobel = cv.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0)

cv.imshow("src", src)
cv.imshow("x_sobel", x_sobel)
cv.imshow("y_sobel", y_sobel)
cv.imshow("xy_sobel", xy_sobel)
cv.waitKey()

由于使用Sobel算子计算的时候有一些偏差, 所以opencv提供了sobel的升级版Scharr函数,计算比sobel更加精细.

import cv2 as cv

img = cv.imread("../img/brain.jpg",cv.IMREAD_GRAYSCALE)
cv.imshow("src",img)

# sobel算子
x_scharr = cv.Scharr(img, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_scharr = cv.convertScaleAbs(x_scharr)
cv.imshow("x scharr",x_scharr)

# # sobel算子
y_scharr = cv.Scharr(img, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_scharr = cv.convertScaleAbs(y_scharr)
cv.imshow("y scharr",y_scharr)

# 将x，y方向的内容叠加起来
xy_scharr = cv.addWeighted(x_scharr, 0.5, y_scharr, 0.5,0)
cv.imshow("x,y scharr",xy_scharr)

cv.waitKey(0)
cv.destroyAllWindows()

2.6 拉普拉斯算子

通过拉普拉斯变换后增强了图像中灰度突变处的对比度，使图像中小的细节部分得到增强,使图像的细节比原始图像更加清晰。

import cv2 as cv

img = cv.imread("../img/hehua.jpg", cv.IMREAD_GRAYSCALE)

# 使用拉普拉斯算子
dst = cv.Laplacian(img, cv.CV_32F)

# 取绝对值，将数据转到uint8类型
dst = cv.convertScaleAbs(dst)

cv.imshow("src", img)
cv.imshow("dst", dst)

cv.waitKey(0)
cv.destroyAllWindows()

2.7 Canny边缘检测算法

Canny算法一种多阶段算法，内部过程共4个阶段：

1. 噪声抑制（通过Gaussianblur高斯模糊降噪）:使用5x5高斯滤波器去除图像中的噪声
2. 查找边缘的强度及方向（通过Sobel滤波器）
3. 应用非最大信号抑制（Non-maximum Suppression）: 完成图像的全扫描以去除可能不构成边缘的任何不需要的像素
4. 高低阈值分离出二值图像（Hysteresis Thresholding）
5. 高低阈值比例为T2:T1 = 3:1 / 2:1
6. T2为高阈值，T1为低阈值

import cv2 as cv
import numpy as np
import random

# 将图片数据读取进来
img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)

# 1. 将图片转成灰度图片
grayImg = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 2. canny算法
dstImg = cv.Canny(grayImg, 50, 180)

# 显示
cv.imshow("img", img)
cv.imshow('dstimg', dstImg)
cv.waitKey(0)

2.8 双边滤波

双边滤波其综合了高斯滤波器和α-截尾均值滤波器的特点，同时考虑了空间域与值域的差别，而Gaussian Filter和α均值滤波分别只考虑了空间域和值域差别。高斯滤波器只考虑像素间的欧式距离，其使用的模板系数随着和窗口中心的距离增大而减小；α-截尾均值滤波器则只考虑了像素灰度值之间的差值，去掉α%的最小值和最大值后再计算均值。

核心API：cv.bilateralFilter(输入图像, d, sigmaColor, sigmaSpace)

src 输入图像
d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从sigmaSpace计算该值。
sigmaColor: 颜色空间过滤器的sigma值，这个参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色.

import cv2 as cv

# 将图片数据读取进来
img = cv.imread("../img/timg.jpg", cv.IMREAD_COLOR)

# 双边滤波
dstImg = cv.bilateralFilter(img, 10, 50, 50)

# 显示图像
cv.imshow('img', img)
cv.imshow('newimg', dstImg)
cv.waitKey(0)

2.9 锐化滤波

import cv2 as cv
import numpy as np

img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)
cv.imshow("src", img)

k = 1

kernel = np.array([
                    [-k, -k, -k],
                    [-k, 8*k+1, -k],
                    [-k, -k, -k]])

dst = cv.filter2D(img, -1, kernel)

cv.imshow("sharpness filter", dst)

cv.waitKey(0)
cv.destroyAllWindows()