嘉峪关设备保温工程 OpenCV图像处理之自定义滤波
图像处理中，"空间域" 指的是图像平面，因此，空间滤波可定义为：在图像平面内对像素灰度值进行的滤波
活动现场，来自广州市技师学院穗港作项目的教练代表，以及参加广州市机电技师学院自主移动机器人培训班的香港学员代表，分享了各自的成长与收获。
1 空间滤波 1.1 滤波过程如图，Filter 是一个 3x3 滤波核，当它从图像的左上角开始，逐个像素沿水平方向扫描，后到右下角时，便会产生滤波后的图像
假设输入图像 $f(x, y)$，滤波后的图像为$g(x, y)$，则其中$g(2,2)$ 和 $g(4,4)$ 的计算过程如下：
上图中，以像素 (4,4) 为中心的 3x3 邻域，和滤波核的向量点乘之积，即为 g(4,4)
g(4,4) = 240*0.1111 + 183*0.1111 + 0*0.1111 + 250*0.1111 + 12*0.1111 + 87*0.1111 + 255*0.1111 + 1*0.1111 + 94*0.1111
= 26.6666 + 20.3333 + 0 + 27.7777 + 1.3333 + 9.6666 + 28.3333 + 0 + 10.4444
= 124.55
1.2 相关和卷积空间滤波中，相关和卷积，是容易混淆的概念，定义如下：
-相关 (Correlation)，和上述的滤波过程一样，即 滤波核 逐行扫描图像，并计算每个位置像素点积的过程
-卷积 (Convolution)，和 "相关" 过程类似，铁皮保温施工但 滤波核 要先旋转 180°，然后再执行和 “相关” 一样的操作
地址：大城县广安工业区(二维中的旋转 180°，等于滤波核沿一个坐标轴翻转，然后再沿另一个坐标轴翻转）
注意：如果滤波核是对称的，则对图像进行相关和卷积的结果是一致的
2 OpenCV 函数 2.1 filter2D 函数在 OpenCV 中，可自定义滤波核，然后通过 filter2D() 来完成图像滤波
filter2D() 求的是相关，并非卷积，只有当滤波核对称时，filte2D() 才可视为卷积运算，其公式如下：
假定滤波核 kernel 大小为 3x3，以一个像素点 src(4,4) 为例，则有：
dst(4,4) = kernel(0,0)*src(4+0-1, 4+0-1) + kernel(0,1)*src(4+0-1, 4+1-1) + kernel(0,2)*src(4+0-1, 4+2-1)
+ kernel(1,0)*src(4+1-1, 4+0-1) + kernel(1,1)*src(4+1-1, 4+1-1) + kernel(1,2)*src(4+1-1, 4+2-1)
+ kernel(2,0)*src(4+2-1, 4+0-1) + kernel(2,1)*src(4+2-1, 4+1-1) + kernel(2,2)*src(4+2-1, 4+2-1)
滤波核与输入图像的卷积点乘，对应关系如下：
2.2 flip 函数当滤波核不对称时，要得到真正的卷积运算，还需 flip() 函数来完成 kernel 的二维翻转
如果滤波核的大小为奇数，则 filter2D() 中的锚点位置可设为 Point(-1,-1)，此时，默认滤波核的中心为锚点；如果滤波核的大小为偶数，则需要自定义锚点位置
OpenCV 中锚点位置的实现函数normalizeAnchor() 如下：
3 代码示例 3.1 偏导数自定义滤波核，利用 filter2D() 函数，实现图像的一阶和二阶偏导运算
1) 一阶偏导
图像在 x 和 y 方向的一阶偏导如下：
对应滤波核为
2) 二阶偏导
同样，在 x 和 y 方向的二阶偏导如下：
对应滤波核为
3.2 代码示例
输出的偏导图像如下，第一行从左到右：原图 - dx - dy；第二行从左至右：dxy - dxx -dyy
参考资料OpenCV Tutorials / imgproc module /Making your own linear filters
Gonzalez,《Digital Image Processing》4th ch3 Intesity Transformations and Spatial Filtering
CS425 Lab: Intensity Transformations and Spatial Filtering
总结到此这篇关于OpenCV图像处理之自定义滤波的文章就介绍到这了,更多相关OpenCV自定义滤波内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！