opencv图像卷积操作原理，opencv中常用的图像滤波函数

chainbees2023-10-11 12:28

文章目录

opencv图像卷积操作原理，opencv中常用的图像滤波函数

一、图像卷积操作原理：

卷积是图像处理中常用的操作之一，它通过在图像上滑动一个滤波器(也称为卷积核)来实现对图像的处理，每个滤波器(卷积核)都是一个小的矩阵，它包含一组权重值；

1、卷积操作原理图：
  • 将滤波器(卷积核)与图像的一个小区域相乘；
  • 将得到的乘积相加，得到一个新的像素值；
  • 通过不断滑动滤波器(卷积核)，对整幅图像进行处理，从而得到一幅经过卷积操作的图像；

    计算过程图：

二、opencv常用的图像滤波函数：这些函数的主要作用是对图像进行平滑处理或去除噪声(核心目的是减少图像中的噪声，使图像变得更加平滑)；

1、cv::blur()函数：英文全拼blur

均值滤波器(平均滤波器)，用于图像模糊(平滑)处理的函数，它将图像中的每个像素值替换为其周围像素值的平均值，从而实现图像的模糊效果；

（1）函数原型：
cpp 复制代码 
void cv::blur(
	InputArray src, 
	OutputArray dst, 
	Size ksize, 
	Point anchor = Point(-1,-1), 
	int borderType = BORDER_DEFAULT
);

参数解释：
src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像；
ksize：卷积核，通常为奇数，用cv::Size(width, height)来指定，通常使用奇数大小的核；
anchor：锚点，默认为卷积核的中心，默认值Point(-1, -1)；
borderType：图像边缘处的像素填充方式(
	cv::BORDER_CONSTANT：在图像边缘处的像素，用常数填充，这个常数由cv::Scalar()函数指定，默认为黑色；
	cv::BORDER_REPLICATE：在图像边缘处的像素，用最边界的像素值来填充；
	cv::BORDER_DEFAULT：根据具体情况选择最合适的边界处理方式，默认值；
)
（2）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat image = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (image.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}

	cv::Mat outputImage;
	cv::Size kernelSize(5, 5);

	cv::blur(image, outputImage, kernelSize);

	cv::imshow("Input Image", image);
	cv::imshow("Blurred Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

2、cv::boxFilter()函数：

方框滤波器(均值滤波器的一种变体)，方框滤波器与均值滤波器类似，通过计算图像中每个像素周围邻域像素的加权平均值来减少噪声，但相比 cv::blur()，cv::boxFilter()可以指定不同的归一化方式；

（1）函数原型：
cpp 复制代码 
void cv::boxFilter(
    cv::InputArray src,
    cv::OutputArray dst,
    int ddepth,
    cv::Size ksize,
    cv::Point anchor = cv::Point(-1,-1),
    bool normalize = true,
    int borderType = cv::BORDER_DEFAULT
);

参数解释：
src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像，与输入图像具有相同的尺寸和通道数；
ddepth：输出图像的深度，通常使用-1表示与输入相同；
ksize：卷积核，用cv::Size(width, height)来指定，例如(3,3)表示一个3x3的卷积核，通常使用奇数大小的核；
anchor：锚点，默认为卷积核的中心，默认值Point(-1, -1)；
normalize：是否对结果进行归一化，默认为true；
borderType：图像边缘处的像素填充方式(
	cv::BORDER_CONSTANT：在图像边缘处的像素，用常数填充，这个常数由cv::Scalar()函数指定，默认为黑色；
	cv::BORDER_REPLICATE：在图像边缘处的像素，用最边界的像素值来填充；
	cv::BORDER_DEFAULT：根据具体情况选择最合适的边界处理方式，默认值；
)
（2）cv.blur() 均值滤波器与cv.boxFilter() 方框滤波器的区别：

cv::blur() 和 cv::boxFilter() 都是用于图像平滑处理的滤波器，它们的核心目的是减少图像中的噪声，使图像变得更加平滑；

核的定义：
  • cv::blur() 的核是一个归一化的平均核，也就是说核内所有元素的和为1（这表示在滤波过程中，像素值被取平均值）；
  • cv::boxFilter() 的核不一定是归一化的，可以通过 normalize 参数控制是否归一化（这使得方框滤波器可以对像素进行加权平均）；
参数不同：
  • cv::blur() 接受一个 cv::Size 参数作为核的大小，通常使用奇数大小的核；
  • cv::boxFilter() 接受一个整数参数作为核的大小，可以使用偶数大小的核；
功能略有差异：
  • 由于 cv::boxFilter() 可以选择是否归一化，因此它可以用于一些特殊情况下的平滑处理，比如图像锐化；
  • cv::blur() 更适合通用的平滑处理；
总结：

总的来说，这两个函数都可以用于图像平滑处理，选择使用哪个取决于你的具体需求以及想要实现的效果，如果你只是需要一个简单的平滑处理，通常使用 cv::blur() 就足够了，如果你需要更多的控制，或者想要尝试一些特殊的滤波效果，可以考虑使用 cv::boxFilter()；

（3）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat image = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (image.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}

	cv::Mat outputImage;
	cv::Size kernelSize(5, 5);

	cv::boxFilter(image, outputImage, -1, kernelSize);

	cv::imshow("Input Image", image);
	cv::imshow("Box Filtered Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

3、cv::GuassianBlur()函数：

高斯滤波器，对输入图像中的每个像素施加一个高斯函数作为权重，从而实现平滑处理，通过应用高斯滤波器来减少图像中的噪声；

（1）函数原型：
cpp 复制代码 
void cv::GaussianBlur(
    cv::InputArray src,  
    cv::OutputArray dst,  
    cv::Size ksize,  
    double sigmaX,  
    double sigmaY = 0,   
    int borderType = cv::BORDER_DEFAULT
);

参数解释：
src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像，与输入图像具有相同的尺寸和通道数；
ksize：卷积核，用cv::Size(width, height)来指定，例如(3,3)表示一个3x3的卷积核，通常使用奇数大小的核；
sigmaX：X方向的高斯核标准差；
sigmaY：Y方向的高斯核标准差，如果为零则默认与sigmaX相同；
borderType：图像边缘处的像素填充方式(
	cv::BORDER_CONSTANT：在图像边缘处的像素，用常数填充，这个常数由cv::Scalar()函数指定，默认为黑色；
	cv::BORDER_REPLICATE：在图像边缘处的像素，用最边界的像素值来填充；
	cv::BORDER_DEFAULT：根据具体情况选择最合适的边界处理方式，默认值；
)
（2）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat inputImage = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (inputImage.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}

	cv::Mat outputImage;
	cv::Size kernelSize(5, 5);
	double sigmaX = 1.5;

	cv::GaussianBlur(inputImage, outputImage, kernelSize, sigmaX);

	cv::imshow("Input Image", inputImage);
	cv::imshow("Gaussian Blurred Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

4、cv::medianBlur()函数：

中值滤波器，对输入图像进行平滑处理，通过用邻域像素的中值来替代当前像素的值，从而减少图像中的噪声，是一种常用于去除图像中的椒盐噪声(salt-and-pepper noise)的非线性滤波器；

（1）函数原型：
cpp 复制代码 
void cv::medianBlur(
    cv::InputArray src,         // 输入图像（单通道、三通道等）
    cv::OutputArray dst,        // 输出图像
    int ksize                   // 滤波核的大小（通常为奇数）
);

参数解释：
src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像，与输入图像具有相同的尺寸和通道数；
ksize：卷积核，通常为奇数，用cv::Size(width, height)来指定，通常使用奇数大小的核；
（2）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat inputImage = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (inputImage.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}


	cv::Mat outputImage;
	int kernelSize = 5; // 选择一个奇数大小的核

	cv::medianBlur(inputImage, outputImage, kernelSize);

	cv::imshow("Input Image", inputImage);
	cv::imshow("Median Blurred Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

5、cv::bilateralFilter()函数：

双边滤波器，对输入图像进行平滑处理，保留图像中的边缘信息，同时也可以减少噪声；

（1）函数原型：
cpp 复制代码 
void cv::bilateralFilter(
    cv::InputArray src,         // 输入图像（单通道、三通道等）
    cv::OutputArray dst,        // 输出图像
    int d,                      // 控制在颜色空间中滤波器的直径
    double sigmaColor,          // 控制颜色相似性的标准差
    double sigmaSpace,          // 控制空间相似性的标准差
    int borderType = cv::BORDER_DEFAULT  // 边界处理方式，默认为BORDER_DEFAULT
);

参数解释：

src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像，与输入图像具有相同的尺寸和通道数；
d：控制在颜色空间中滤波器的直径，通常在3-5之间；
sigmaColor：控制颜色相似性的标准差，值越大，颜色差异越大；
sigmaSpace：控制空间相似性的标准差，值越大，范围内像素权重越大；
borderType：图像边缘处的像素填充方式(
	cv::BORDER_CONSTANT：在图像边缘处的像素，用常数填充，这个常数由cv::Scalar()函数指定，默认为黑色；
	cv::BORDER_REPLICATE：在图像边缘处的像素，用最边界的像素值来填充；
	cv::BORDER_DEFAULT：根据具体情况选择最合适的边界处理方式，默认值；
)
（2）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat inputImage = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (inputImage.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}

	cv::Mat outputImage;

	int d = 9; // 直径
	double sigmaColor = 75; // 颜色相似性标准差
	double sigmaSpace = 75; // 空间相似性标准差

	cv::bilateralFilter(inputImage, outputImage, d, sigmaColor, sigmaSpace);

	cv::imshow("Input Image", inputImage);
	cv::imshow("Bilateral Filtered Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

6、cv2::filter2D()函数：

对输入图像进行二维卷积操作，通过将一个核应用于图像的每个像素，从而实现特定的图像处理效果，如边缘检测、模糊等；

（1）函数原型：
cpp 复制代码 
void cv::filter2D(
    cv::InputArray src,       
    cv::OutputArray dst,  
    int ddepth,          
    cv::InputArray kernel,  
    cv::Point anchor = cv::Point(-1,-1),
    double delta = 0,   
    int borderType = cv::BORDER_DEFAULT  
);

参数解释：
src：输入图像，可以是单通道或多通道图像(如灰度图或彩色图)；
dst：输出图像，与输入图像具有相同的尺寸和通道数；
ddepth：输出图像的深度，通常使用-1表示与输入相同；
kernel：卷积核，用于定义卷积操作的权重矩阵；
anchor：锚点，默认为卷积核的中心，默认值Point(-1, -1)；
delta：可选参数，用于调节卷积结果的偏移值，默认为0；
borderType：图像边缘处的像素填充方式(
	cv::BORDER_CONSTANT：在图像边缘处的像素，用常数填充，这个常数由cv::Scalar()函数指定，默认为黑色；
	cv::BORDER_REPLICATE：在图像边缘处的像素，用最边界的像素值来填充；
	cv::BORDER_DEFAULT：根据具体情况选择最合适的边界处理方式，默认值；
)
（2）代码示例：
cpp 复制代码 
#include <opencv2\opencv.hpp>
#include <iostream>
#include <demo.h>

using namespace cv;
using namespace std;

int main() {

	// 读取彩色图像
	cv::Mat inputImage = cv::imread("C:\\cpp\\image\\suzy1.jpg");

	if (inputImage.empty()) {
		std::cerr << "Error: 无法读取图像文件." << std::endl;
		return -1;
	}

	cv::Mat kernel = (cv::Mat_<float>(3, 3) <<
		0, -1, 0,
		-1, 5, -1,
		0, -1, 0);

	cv::Mat outputImage;
	cv::filter2D(inputImage, outputImage, -1, kernel);

	cv::imshow("Input Image", inputImage);
	cv::imshow("Filtered Image", outputImage);

	cv::waitKey(0);
	return 0;

}

运行结果：

相关推荐
西猫雷婶26 分钟前
python学opencv|读取图像（二十一）使用cv2.circle()绘制圆形进阶
开发语言·python·opencv
湫ccc1 小时前
《Opencv》基础操作详解（3）
人工智能·opencv·计算机视觉
Jack_pirate1 小时前
深度学习中的特征到底是什么？
人工智能·深度学习
微凉的衣柜1 小时前
微软在AI时代的战略布局和挑战
人工智能·深度学习·microsoft
GocNeverGiveUp2 小时前
机器学习1-简单神经网络
人工智能·机器学习
Schwertlilien2 小时前
图像处理-Ch2-空间域的图像增强
人工智能
智慧化智能化数字化方案2 小时前
深入解读数据资产化实践指南（2024年）
大数据·人工智能·数据资产管理·数据资产入表·数据资产化实践指南
哦哦～9212 小时前
深度学习驱动的油气开发技术与应用
大数据·人工智能·深度学习·学习
智慧化智能化数字化方案2 小时前
120页PPT讲解ChatGPT如何与财务数字化转型的业财融合
人工智能·chatgpt
矩阵推荐官hy147623 小时前
短视频矩阵系统种类繁多，应该如何对比选择？
人工智能·python·矩阵·流量运营
热门推荐
01【一文读懂】NTN（非地面网络）技术介绍02优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间03玄机平台应急响应—webshell查杀04Cube-Studio：开源大模型全链路一站式中台05基于大语言模型（LLM）的合成数据生成、策展和评估的综述06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明0719个Web前端交互式3D JavaScript框架和库08HCIA-datacom数通题库和录播视频资料09Docker 夺命连环 15 问10Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO