【opencv图像处理】--4. 低、高通滤波，卷积和各种算子

系列所有代码，复制粘贴即可运行。
希望有能力的朋友还是拿C++运行一下。

本节讨论图像的低通滤波（卷积，方盒，中值双边，高斯），高通滤波（Sobel,Scharr,Laplace,canny）

一、低通滤波

1. 卷积

用卷积核对每个像素做线性运算，最终得到的小图像称作convolved Feature卷积特征

• 步长：卷积核扫描一次移动的像素单位

• padding: 对图像做卷积之后，长宽都会变小，padding就是在外围补充0的圈数，结构上类似于HTML中的padding，可以通过公式计算出需要填充0的圈数

• 卷积核的大小一般都是奇数，padding不好补，另外这种卷积核有中心

• 卷积核案例：
  cv2.filter2D

1. ddepth是卷积之后图片位深，即图片数据类型，一般设-1与原图数据一致
2. kernel是卷积核大小，用元组或ndarray表示，数据必须float
3. anchor 锚点，卷积核的中心点，默认-1，-1
4. delta 卷积之后额外加的值，线性方程中的偏差，默认是0
5. borderType 边界类型一般不设置

import cv2
import numpy as np

cat = cv2.imread('cat.jpeg')

#均为1 每个点都被周围25个平均 变模糊 必须是float型


#模糊卷积核
#kernel = np.ones((5,5), np.float32) /25
#轮廓卷积核
#kernel = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
#浮雕卷积核
kernel = np.array([[0, -1, -1], [1, 0, -1], [1, 1, 0]])
#锐化卷积核
#kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]])

#-1 与原图数据类型一致
dst = cv2.filter2D(cat, -1, kernel)

cv2.imshow('cat', np.vstack((cat, dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()

2. 方盒滤波与均值滤波

滤波实际是去除噪点变模糊的过程，方盒滤波，卷积核内数值全为1，卷积核外乘一系数a。

• 方盒滤波 boxFilter()

1. normolize = True时，1/a=w*h,保证卷积核之和为1
2. normolize = False时， a = 1，什么也没做，一般不这样设置

• 均值滤波 blur

3. 当方盒滤波的normolize为True时，去掉位深ddepth的方盒滤波等于均值滤波

cat = cv2.imread('cat.jpeg')
#方盒滤波 指定normalize
#dst = cv2.boxFilter(cat, -1, (5,5), normalize=True)
#均值滤波,没有参数位深和normalize
dst = cv2.blur(cat, (5,5))

3. 高斯滤波

符合正态分布的概率密度函数,md高斯分布二维的数学公式：
$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{x^2+y^2}{2{\sigma }^2}}$

• 高斯滤波就是用符合高斯分布的卷积核对图片进行卷积操作，重点是计算该卷积核（高斯模板）

• 例3X3卷积核，中间为x,y，上为x,y+1 左为x-1, y(其中x=0, y=0，因为在高斯中心)

• **归一化：**通过高斯函数算出来的值，还要保证加起来值为1，需要除以它们的和，才是最终的高斯模板

• 有些高斯模板归一化的方法是，卷积核内的值均除以左上角的值，然后取整

• GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

1. kernel 高斯核大小
2. sigmaX, X轴的标准差
3. sigmaY, Y轴的标准差，默认0，这是sigmaX=sigmaY
4. 如果没有指定sigma值，会分别从ksize的宽度和高度中计算sigma。

• 选择不同的sigma值会得到不同的平滑效果，sigma越大，平滑效果越明显/也越模糊

dst = cv2.GaussianBlur(cat, (5,5), sigmaX=10)

4. 中值滤波

适合胡椒噪音/椒盐噪声的去除，假设有一个数组，取中位数作为卷积之后的结果即可。

• opencv的一个坑的地方，东西同样，但是API接口类型不同

#这里的ksize确是一个数字
dst = cv2.medianBlur(cat,5)

5. 双边滤波

可实现美颜，磨皮效果，是考虑了灰度距离和空间距离的两个高斯函数相乘，保留边缘信息。

• 灰度距离： 像素与像素之间色阶不连续，像素之差，呈现断崖式下跌（边缘）
• cv2.bilateralFilter

1. sigmaColor: 计算像素信息使用的sigma
2. sigmaSpace：计算空间信息使用的sigma

dst = cv2.bilateralFilter(cat, 7, sigmaColor=20, sigmaSpace=50)

二、高通滤波

用来找边界,特征提取，对象检测，模式识别等

1. Sobel（索贝尔）算子

边缘：像素值发生跃迁的地方。

• Sobel算子对图像求一阶导数，值越大说明边缘信号越强烈
• 沿着宽度和高度两个方向进行，使用水平和垂直两个方向卷积核

#X方向 获取垂直边缘
#Sobel要分别计算x,y的梯度
#dx = cv2.Sobel(cat, cv2.CV_64F, 1, 0, ksize=3)
dx = cv2.Sobel(cat, -1, dx=1, dy=0, ksize=3)
#dy = cv2.Sobel(cat, cv2.CV_64F, 0, 1, ksize=3)
dy = cv2.Sobel(cat, -1, dx=0, dy=1, ksize=3)

#dx只有垂直的边缘
#dy只有水平的边缘轮廓
dst = cv2.add(dx, dy)
cv2.imshow('cat_ori', cat)
cv2.imshow('cat_merge', dst)
cv2.imshow('cat', np.vstack((dx, dy)))

2. Scharr(沙尔)算子

• 当SOBEL的卷积核大小为3时，可能产生明显误差，因为是取导数的近似值；
• 是对Sobel算子的进化，但是它仅作用于大小为3的内核。与Sobel算子一样快，但结果却更加精确。
• Scharr算子与Sobel很类似，不过使用了不同的kernel值放大了像素变换的情况
• Scharr只能求x或y方向的边缘
• Sobel算子的ksize设置为-1就是Scharr算子
• Scharr擅长寻找细小的边缘，一般用的较少

dx = cv2.Scharr(cat, -1, 1, 0)
dy = cv2.Scharr(cat, -1, 0, 1)

#dx只有垂直的边缘
#dy只有水平的边缘轮廓
dst = cv2.add(dx, dy)
cv2.imshow('cat_ori', cat)
cv2.imshow('cat_merge', dst)
cv2.imshow('cat', np.vstack((dx, dy)))

3. Laplace(拉普拉斯)算子

拉普拉斯算子是求二阶导，对于边缘变化的反应更加敏锐。有的无意义的地方数值为0，需要去噪

• Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

1. 因为是二阶导，所以可以同时求两个方向的边缘
2. 对噪音敏感，一般要先去噪再调用拉普拉斯

dst = cv2.Laplacian(cat, -1, ksize=3)

4. canny算子

被人认为是最有边缘检测算法，多级边缘检测算法

• canny边缘检测一般步骤

1. 去噪
2. 计算梯度：对去噪后的图像用sobel算子计算梯度和方向
3. 非极大值抑制(NMS)
4. 滞后阈值：没有和其他边界点相连，不算做边界

• Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

#设定阈值大小，值小，边缘比较丰富
#值越大，边缘越少
dst = cv2.Canny(cat, 100, 200)
dst2 = cv2.Canny(cat, 64, 128)