opencv图像卷积操作和常用的图像滤波函数

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：

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，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)；
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；
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

（2）代码示例：

#include 
#include 
#include 

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;

}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

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：

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；
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

（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：

#include 
#include 
#include 

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;

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

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，会较明显地模糊边缘；

（1）函数原型：

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；
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

（2）代码示例：

#include 
#include 
#include 

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;

}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

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：

void cv::medianBlur(
    cv::InputArray src,         
    cv::OutputArray dst,        
    int ksize                   
);

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；

1
2
3
4
5
6
7
8
9
10
11

（2）代码示例：

#include 
#include 
#include 

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;

}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

运行结果：

5、cv::bilateralFilter()函数：

双边滤波器，双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma-d，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存；

（1）函数原型：

void cv::bilateralFilter(
    cv::InputArray src,         
    cv::OutputArray dst,        
    int d,                      
    double sigmaColor,          
    double sigmaSpace,         
    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；
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；
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

（2）代码示例：

#include 
#include 
#include 

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;

}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

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：

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；
)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

（2）代码示例：

#include 
#include 
#include 

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;

}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

运行结果：