自定义滤波（customize filter）

墨蓝 2021-12-22 07:29 230阅读 0赞

自定义滤波主要是滤波核的建立，以及会用到filter2D这个API:

Opencv里面的API介绍：

*  卷积模板设计：
    
        Mat kernel = (Mat_<char>(3,3)<<0,-1,0,-1,5,-1,0,-1,0)//自定义模板
        Mat kernel_x = (Mat_<int>(3, 3) << -1, 0, 1, -2, 0, 2, -1, 0, 1); //自定义模板
 *  自定义卷积模糊
 *      C++ void filter2D(
                            Mat src, //输入图像
                            Mat dst, // 模糊图像
                            int depth, // 图像深度32/8
                            Mat kernel, // 卷积核/模板
                            Point anchor, // 锚点位置
                            double delta // 计算出来的像素+delta)其中 kernel是可以自定义的卷积核
    
    几种常见的卷积算子
 *  ![1525045-20190306214953976-40656965.png][]
    
     
 *  ![1525045-20190306215011861-808440719.png][]
    
     
 *  ![1525045-20190306215022510-178611552.png][]
    
    3.1 sobel算子
    
           Sobel 算子是一个离散微分算子 (discrete differentiation operator)。 它结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。用于图像处理和计算机视觉，特别是在边缘检测算法中，它可以创建强调边缘的图像。它以斯坦福人工智能实验室（SAIL）的同事Irwin Sobel和Gary Feldman命名。 Sobel和Feldman在1968年SAIL的演讲中提出了“各向同性3x3图像梯度算子”的概念。从技术上讲，它是一个离散微分算子，计算图像强度函数梯度的近似值。在图像中的每一点，Sobel-Feldman算子的结果是相应的梯度向量或该向量的范数。 Sobel-Feldman算子基于将图像与水平和垂直方向上的小的可分离的整数值滤波器进行卷积，因此在计算方面相对简便。另一方面，它产生的梯度近似相对粗糙，特别是对于图像中的高频变化。
    
    图像边缘, 边缘就是灰度值变化剧烈的地方。表示这一改变的一个方法是使用导数。是像素值发生跃迁的地方，是图像的显著特征之一，在图像特征提取、对象检测、模式识别等方面都有重要的作用。梯度值的大变预示着图像中内容的显著变化。用更加形象的图像来解释,假设我们有一张一维图形。下图2中灰度值的”跃升”表示边缘的存在，图3中使用一阶微分求导我们可以更加清晰的看到边缘”跃升”的存在。
    
    拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性。一个二维图像函数 的拉普拉斯变换是各向同性的二阶导数，定义为：
 *  ![1525045-20190306215218384-545160914.png][]
    
                                                                      
    
    其中，  ![1525045-20190306215225378-1195475354.png][]
    
     
    
                                                  
    
    为了更适合于数字图像处理，将该方程表示为离散形式： 
    
    ![1525045-20190306215246142-34207230.png][]
    
     
    
                                         
    
             另外，拉普拉斯算子还可以表示成模板的形式，如图5-9所示。图5-9（a）表示离散拉普拉斯算子的模板，图5-9（b）表示其扩展模板，图5-9（c）则分别表示其他两种拉普拉斯的实现模板。从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。
    
    图像锐化处理的作用是使灰度反差增强，从而使模糊图像变得更加清晰。图像模糊的实质就是图像受到平均运算或积分运算，因此可以对图像进行逆运算，如微分运算能够突出图像细节，使图像变得更为清晰。由于拉普拉斯是一种微分算子，它的应用可增强图像中灰度突变的区域，减弱灰度的缓慢变化区域。因此，锐化处理可选择拉普拉斯算子对原图像进行处理，产生描述灰度突变的图像，再将拉普拉斯图像与原始图像叠加而产生锐化图像。  
    \---------------------  
    作者：傻子与倩倩  
    来源：CSDN  
    原文：https://blog.csdn.net/zhu\_hongji/article/details/81562746

转载于:https://www.cnblogs.com/lizimu/p/10486408.html

[1525045-20190306214953976-40656965.png]: /images/20211220/a64439b898f84d009ac60566b08c2640.png
[1525045-20190306215011861-808440719.png]: /images/20211220/6e51e6d3fb7548cba2844e66346ed88c.png
[1525045-20190306215022510-178611552.png]: /images/20211220/8b8f3475a12544c4af78d4e45d456b70.png
[1525045-20190306215218384-545160914.png]: /images/20211220/8f07ea05c3ef4bfcaacefe6ced8b4747.png
[1525045-20190306215225378-1195475354.png]: /images/20211220/cdbd964fbf61425097829286ee66c7a0.png
[1525045-20190306215246142-34207230.png]: /images/20211220/5fbee31d4e4240e7928c84e13ecb330a.png