opencv图像处理8-卷积

Bertha 。 2022-06-18 11:54 194阅读 0赞

卷积是本章所讨论的很多转换的基础。

先看看效果：![0_1320547647n8r1.gif][]

抽象的说，这个术语意味着我们对图像的每一个部分所做的操作。从这个意义上讲，我们在第五章所看到

的许多操作可以被理解成普通卷积的特殊情况。一个特殊的卷积所实现的功能是由所用的卷积核的形式决定的。这个核本质上是一个大小固定，  
  
由数值参数构成的数组，数组的标定点通常位于数组的中心。数组的大小被称为核支撑。单就技术而言，核支撑实际上仅仅由核数组的非零部分  
  
组成。  
图6-1描述了以数组中心为定标点的3×3卷积核。若要计算一个特定点的卷积值，首先将核的标定点定位到图像的第一个像素点，核的其余元素覆  
  
盖图像中其相对应的局部像素点。对于每一个核点，我们可以得到这个点的核的值以及图像中相应图像点的值。将这些值相乘并求和，并将这个  
  
结果放置在与输入图像标定点所相对应的位置。通过在整个图像上扫描卷积核，对图像的每个点重复此操作。  
  
当然我们可以用方程来表示这个过程，如果我们定义图像为I(x,y)，核为G(i,j) (其中 0 < i < Mi –1 和 0 < j < Mj –1)，标定点位于相  
  
应核的(ai,aj)坐标上，则卷积H(x,y)定义为：  
  
注意到运算次数，至少第一眼看似乎等于图像的像素数乘以核的像素数\[63\]。这需要很大的计算量并且也不是仅仅用其中的一些for循环以及许多  
  
  
指针再分配就能做的事情。类似这种情况，你最好让OpenCV来做这个工作以利用OpenCV已编程实现的最优方法。其函数为cvFilter2D ();  
 \[63\]这里我们说“第一眼看”的意思是在频域中也可能进行卷积操作。在这种情况下，对于一个N×N的图像和一个M×M的核(N>M)，计算复杂度  
  
将会按照N2 log(N)成比例增加，而不是在空间域内预计的N2M2。这是因为频域的计算量同核的大小是相对独立的，对于大核更加有效。OpenCV会  
  
根据核的大小自动决定是否做频域内的卷积。  
void cvFilter2D(  
   const CvArr\*    src,  
   CvArr\*          dst,  
   const CvMat\*    kernel,  
   CvPoint         anchor = cvPoint(-1,-1)  
);  
这里我们创建一个适当大小的矩阵，将系数连同原图像和目标图像一起传递给cvFilter2D()。我们还可以有选择地输入一个CvPoint指出核的中心  
  
  
位置，但默认值(cvPoint(-1,-1))就会被认为是核的中心。如果定义了标定点，核的大小可以是任意偶数尺寸，否则大小就是奇数。  
原图像src和目标图像dst大小应该是相同的，有些人可能认为考虑到卷积核的额外的长和宽，原图像src应该大于目标图像dst。但是在OpenCV里  
  
  
原图像src和目标图像dst的大小是可以一样的，因为在默认情况下，在卷积之前,OpenCV通过复制原图像src的边界创建了虚拟像素，这样以便于  
  
  
目标图像dst边界的像素可以被填充。复制是通过input(–dx, y) = input(0, y), input(w + dx, y) = input(w – 1, y)等实现的，还有一  
  
  
些可以替换此默认行为的方法，我们将在下一节讨论。  
提示一下，这里我们所讨论的卷积核的系数应该是浮点类型的，这就意味着我们必须用CV\_32F来初始化矩阵。  
做卷积时自然出现的一个问题是如何处理卷积边界。例如，在使用刚才所讨论的卷积核时，当卷积点在图像边缘时会发生什么？许多使用  
  
  
cvFilter2D()的OpenCV内置函数必须用各种方式来解决这个问题。同样在你做卷积时，有必要知道如何有效解决这个问题。这个解决方法就是使  
  
  
用cvCopyMakeBorder()函数，它可以将特定的图像轻微变大，然后以各种方式自动填充图像边界。  
void cvCopyMakeBorder(  
   const CvArr\*   src,  
   CvArr\*         dst,  
   CvPoint        offset,  
   int            bordertype,  
   CvScalar       value     = cvScalarAll(0)  
);  
Offset变量告诉cvCopyMakeBorder()将原图像的副本放到目标图像中什么位置。典型情况是，如果核为N×N(N为奇数)时，那么边界在每一侧的  
  
  
宽度都应是 (N – 1)/2，即这幅图像比原图像宽或高N – 1。在这种情况下，可以把Offset设置为cvPoint((N-1)/2,(N-1)/2)，使得边界在每  
  
  
一侧都是偶数。\[64\]  
 \[64\]当然，标定点在中心、N×N并且N是奇数时的情形是最简单的。在一般情况下，如果核是N×M并且标定点在(ax,ay),那么目标图像将比原图  
  
  
像宽N-1，高M-1个像素。Offset的值仅仅是(ax,ay)。  
Bordertype既可以是IPL\_BORDER\_CONSTANT，也可以是IPL\_BORDER\_REPLICATE(见图6-2)。在第一种情况下，value变量被认为是所有在边界的像  
  
  
素应该设置的值。在第二种情况下，原始图像边缘的行和列被复制到大图像的边缘。注意到测试的模板图像边缘是比较精细的(注意图6-2右上角  
  
  
的图像)。在测试的模板图像中，除了在圆图案边缘附近的像素变白外，有一个像素宽的黑色边界。这里定义了另外两种边界类型，  
  
  
IPL\_BORDER\_REFLECT 和IPL\_BORDER\_WRAP，目前还没有被OpenCV所实现，但以后可能会在OpenCV中实现。  
图6-2 扩大的图像边界，左边一列显示的是IPL\_BORDER\_CONSTANT，边界是用零值填充的，右面一列是IPL\_BORDER\_REPLICATE，在水平和垂直两  
  
  
个方向复制边界像素。  
  
  
   
我们在前面已经提到，当调用OpenCv库函数中的卷积功能时，cvCopyMakeBorder()函数就会被调用。在大多数情况下，边界类型为  
  
  
IPL\_BORDER\_REPLICATE，但有时并不希望用它。所以在另一种场合，可能用到cvCopyMakeBorder()。你可以创造一幅具有比想要得到的边界稍微

大一些的图像，无论调用任何常规操作，接下来就可以剪切到对原图像所感兴趣的部分。这样一来， OpenCV的自动加边就不会影响所关心的像素。

注：高斯模板：  
3\*3的是  
1 2 1  
2 4 2  
1 2 1  
  
  
5\*5的是  
1 2 3 2 1  
2 5 6 5 2    
3 6 8 6 3  
2 5 6 5 2    
1 2 3 2 1

#include "cv.h"  
    #include "highgui.h"  
    #include <stdio.h>  
    int main()  
    {  
    		IplImage *src=0;
    		IplImage*dst =0;
    		IplImage*dst2=0;  
    		float k[9]={  
    				1,2,1,
    				2,4,2,
    				1,2,1};  //高斯卷积3*3的核
    
    				for(int i = 0 ; i< 9;i++){
    			k[i] = float(k[i]/16);
    				}
    		CvMat Km;  
    		Km = cvMat(3,3,CV_32F,k);  
    
    		float k2[25] = {
    			1 ,2, 3, 2, 1,
    			2 ,5 ,6 ,5, 2,  
    			3 ,6 ,8 ,6, 3,
    			2 ,5 ,6 ,5, 2,  
    			1 ,2 ,3 ,2, 1};//高斯卷积5*5的核
    			for(int j = 0 ; j<25; j++){
    			k2[j] = float(k2[j]/85);
    			}
    			CvMat Km2;
    			Km2 = cvMat(5,5,CV_32F,k2);
    		src=cvLoadImage("1.bmp",0);//Force to gray image  
    		dst=cvCloneImage(src);  //使用cvCloneImage时，dst无需初始化，直接复制
    		dst2 = cvCloneImage(src);
    		cvNamedWindow("src",CV_WINDOW_AUTOSIZE);  
    		cvNamedWindow("filter3*3",CV_WINDOW_AUTOSIZE);
    		cvNamedWindow("filter5*5",CV_WINDOW_AUTOSIZE);
    
    		cvShowImage("src",src);  
    		  
    		cvFilter2D(src,dst,&Km,cvPoint(-1,-1));  
    		cvFilter2D(src, dst2, &Km2,cvPoint(-1,-1));
    		//卷积本身公式比较复杂，但是经过舍去高阶小量，简化后成为模板操作
    		cvShowImage("filter3*3",dst);  
    		cvShowImage("filter5*5", dst2);
    		cvWaitKey(0);  
    		cvReleaseImage(&src);  
    		cvReleaseImage(&dst);  
    		cvReleaseImage(&dst2);
    		cvDestroyAllWindows();
    		return 0;  
    }

[0_1320547647n8r1.gif]: /images/20220618/361286c7c8fc49338da60741ec1e20e8.png