当前位置：首页 > article >正文

OpenCV4.8 开发实战系列专栏之 30 - OpenCV中的自定义滤波器

article 2025/2/4 10:03:29

欢迎大家学习OpenCV4.8 开发实战专栏，长期更新，不断分享源码。
专栏代码全部基于C++ 与Python双语演示。

送相关学习资料, V： OpenCVXueTang_Asst

本文关键知识点：OpenCV中的自定义滤波器

图像卷积最主要功能有图像模糊、锐化、梯度边缘等，前面已经分享图像卷积模糊的相关知识点，OpenCV除了支持上述的卷积模糊(均值与边缘保留)还支持自定义卷积核，实现自定义的滤波操作。自定义卷积核常见的主要是均值、锐化、梯度等算子。下面的三个自定义卷积核分别可以实现卷积的均值模糊、锐化、梯度功能。

在这里插入图片描述

在OpenCV中，自定义滤波器是一个强大的工具，它允许用户通过定义特定的卷积核（或称为内核、滤波器核）来实现各种图像卷积操作。这些操作包括图像模糊、锐化、梯度边缘检测等。以下是对这些功能的详细解释：

一、图像模糊

图像模糊通常通过低通滤波器实现，它允许低频信号通过，而高频信号（如边缘和噪点）则被削弱。在OpenCV中，可以使用cv2.filter2D()函数结合自定义的均值卷积核或高斯卷积核来实现图像模糊。

均值模糊：使用均值卷积核，卷积核内的元素值相同，通常都设为1，然后除以卷积核的大小以进行归一化。这种模糊方法会均匀地平滑图像，但可能会导致边缘细节的丢失。
高斯模糊：高斯模糊使用高斯函数作为权重分配的依据，距离中心越近的像素点权重越高。OpenCV提供了cv2.GaussianBlur()函数来直接实现高斯模糊，但也可以通过cv2.filter2D()与自定义的高斯卷积核结合使用。高斯模糊在平滑图像的同时能够更好地保留边缘细节。

二、图像锐化

图像锐化通常通过高通滤波器实现，它增强图像中的高频成分，从而使边缘和细节更加清晰。在OpenCV中，可以使用cv2.filter2D()函数结合自定义的锐化卷积核来实现图像锐化。一个常见的锐化卷积核是：

0 -1  0
-1  5 -1
0 -1  0

这个卷积核通过增加中心像素的权重并减去周围像素的权重来增强边缘。

三、梯度边缘检测

梯度边缘检测是通过计算图像中像素值的变化率来检测边缘的。在OpenCV中，可以使用Sobel算子、Scharr算子或Laplacian算子来实现梯度边缘检测。这些算子都是高通滤波器，能够突出图像中的边缘信息。

Sobel算子：Sobel算子是一种离散微分算子，用于计算图像灰度的一阶梯度。它结合了高斯平滑和微分求导，因此能够更好地抵抗噪声。OpenCV提供了cv2.Sobel()函数来直接实现Sobel边缘检测。
Scharr算子：Scharr算子是对Sobel算子的优化，它使用了更大的卷积核来提高边缘检测的准确性。在OpenCV中，cv2.Scharr()函数用于实现Scharr边缘检测。
Laplacian算子：Laplacian算子是一种二阶微分算子，用于检测图像中的边缘。它计算图像灰度的二阶导数，因此能够更敏感地捕捉到边缘信息。OpenCV提供了cv2.Laplacian()函数来直接实现Laplacian边缘检测。

此外，自定义滤波器还可以通过cv2.filter2D()函数结合自定义的梯度卷积核来实现梯度边缘检测。例如，一个简单的梯度卷积核可以是：

1  0
0 -1

这个卷积核能够计算出图像在水平方向上的梯度。

综上所述，OpenCV中的自定义滤波器通过定义特定的卷积核来实现各种图像卷积操作，包括图像模糊、锐化和梯度边缘检测等。这些操作在图像处理、计算机视觉和机器学习等领域具有广泛的应用价值。

演示代码

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int artc, char** argv) {
	Mat src = imread("D:/images/test.png");
	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input", CV_WINDOW_AUTOSIZE);
	imshow("input", src);

	Mat kernel1 = Mat::ones(5, 5, CV_32F) / (float)(25);

	Mat kernel2 = (Mat_<char>(3, 3) << 0, -1, 0,
		-1, 5, -1,
		0, -1, 0);

	Mat kernel3 = (Mat_<int>(2, 2) << 1, 0, 0, -1);

	Mat dst1, dst2, dst3;
	filter2D(src, dst1, -1, kernel1);
	filter2D(src, dst2, -1, kernel2);
	filter2D(src, dst3, CV_32F, kernel3);
	convertScaleAbs(dst3, dst3);

	imshow("blur=5x5", dst1);
	imshow("shape=3x3", dst2);
	imshow("gradient=2x2", dst3);

	waitKey(0);
	return 0;
}

python 代码演示

import cv2 as cv
import numpy as np

src = cv.imread("D:/images/test.png")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)

blur_op = np.ones([5, 5], dtype=np.float32)/25.
shape_op = np.array([[0, -1, 0],
                   [-1, 5, -1],
                   [0, -1, 0]], np.float32)
grad_op = np.array([[1, 0],[0, -1]], dtype=np.float32)

dst1 = cv.filter2D(src, -1, blur_op)
dst2 = cv.filter2D(src, -1, shape_op)
dst3 = cv.filter2D(src, cv.CV_32F, grad_op)
dst3 = cv.convertScaleAbs(dst3)

cv.imshow("blur=5x5", dst1);
cv.imshow("shape=3x3", dst2);
cv.imshow("gradient=2x2", dst3);

cv.waitKey(0)
cv.destroyAllWindows()