OpenCV 图像卷积 2.1 图像卷积 2.2 均值滤波 2.3 中值滤波 2.4 高斯模糊 2.5 Sobel算子 2.6 拉普拉斯算子 2.7 Canny边缘检测算法 2.8 双边滤波 2.9 锐化滤波 最近因项目需要加上自己的兴趣，需要用一些opencv相关的东西，虽然之前零零碎碎学习过一些，但是很久不用就忘了，打算写篇文章总结一下学习的过程以及一些常用的函数。类似的博文有很多，但还是觉得自己总结一编印象深一些。
2.1 图像卷积
dst = cv.filter2D(图像, -1, kernel)2.2 均值滤波 核心API：cv.blur(图像，卷积核) 2.3 中值滤波 核心API：cv.medianBlur(图像，卷积核) 2.4 高斯模糊 核心API：cv.GaussianBlur(图像, (卷积核), 标准差) 代码示例
import cv2 as cv
import numpy as np
kernel = np.ones((3, 3), np.float32)/9
print kernel
src = cv.imread("../img/salt.jpg")
cv.imshow("src", src)
dst = cv.filter2D(src, -1, kernel) # 均值滤波
cv.imshow("dst", dst)
dst2 = cv.blur(src, (3, 3)) # 均值滤波
cv.imshow("dst2", dst2)
dst3 = cv.medianBlur(src, 5) # 中值滤波
cv.imshow("dst3", dst3)
dst4 = cv.GaussianBlur(src, (3, 3), 5) # 高斯模糊
cv.imshow("dst4", dst4)
cv.waitKey()
2.5 Sobel算子 Sobel算子是像素图像边缘检测 中最重要的算子之一，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。 在图像的任何一点使用此算子，将会产生该点对应的 梯度矢量
import cv2 as cv
src = cv.imread("../img/brain.jpg")
# sobel算子 参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
x_sobel = cv.Sobel(src, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_sobel = cv.convertScaleAbs(x_sobel)
# sobel算子 参数1:图像, 参数2:图像的深度 -1表示和原图相同, 参数3: x方向求导的阶数 参数4: y方向求导的阶数
y_sobel = cv.Sobel(src, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_sobel = cv.convertScaleAbs(y_sobel)
# 将x，y方向的内容叠加起来
xy_sobel = cv.addWeighted(x_sobel, 0.5, y_sobel, 0.5, 0)
cv.imshow("src", src)
cv.imshow("x_sobel", x_sobel)
cv.imshow("y_sobel", y_sobel)
cv.imshow("xy_sobel", xy_sobel)
cv.waitKey()
由于使用Sobel算子计算的时候有一些偏差, 所以opencv提供了sobel的升级版Scharr函数,计算比sobel更加精细.
import cv2 as cv
img = cv.imread("../img/brain.jpg",cv.IMREAD_GRAYSCALE)
cv.imshow("src",img)
# sobel算子
x_scharr = cv.Scharr(img, cv.CV_32F, 1, 0)
# 将图像转成8位int
x_scharr = cv.convertScaleAbs(x_scharr)
cv.imshow("x scharr",x_scharr)
# # sobel算子
y_scharr = cv.Scharr(img, cv.CV_16S, 0, 1)
# 将图像转成8位int
y_scharr = cv.convertScaleAbs(y_scharr)
cv.imshow("y scharr",y_scharr)
# 将x，y方向的内容叠加起来
xy_scharr = cv.addWeighted(x_scharr, 0.5, y_scharr, 0.5,0)
cv.imshow("x,y scharr",xy_scharr)
cv.waitKey(0)
cv.destroyAllWindows()
2.6 拉普拉斯算子 通过拉普拉斯变换后增强了图像中灰度突变处的对比度，使图像中小的细节部分得到增强,使图像的细节比原始图像更加清晰。
import cv2 as cv
img = cv.imread("../img/hehua.jpg", cv.IMREAD_GRAYSCALE)
# 使用拉普拉斯算子
dst = cv.Laplacian(img, cv.CV_32F)
# 取绝对值，将数据转到uint8类型
dst = cv.convertScaleAbs(dst)
cv.imshow("src", img)
cv.imshow("dst", dst)
cv.waitKey(0)
cv.destroyAllWindows()
2.7 Canny边缘检测算法 Canny算法一种多阶段算法，内部过程共4个阶段： 1.噪声抑制（通过Gaussianblur高斯模糊降噪）:使用5×5高斯滤波器去除图像中的噪声 2.查找边缘的强度及方向（通过Sobel滤波器） 3.应用非最大信号抑制（Non-maximum Suppression）: 完成图像的全扫描以去除可能不构成边缘的任何不需要的像素 4.高低阈值分离出二值图像（Hysteresis Thresholding） 5.高低阈值比例为T2:T1 = 3:1 / 2:1 6.T2为高阈值，T1为低阈值
import cv2 as cv
import numpy as np
import random
# 将图片数据读取进来
img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)
# 1. 将图片转成灰度图片
grayImg = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 2. canny算法
dstImg = cv.Canny(grayImg, 50, 180)
# 显示
cv.imshow("img", img)
cv.imshow('dstimg', dstImg)
cv.waitKey(0)
2.8 双边滤波 双边滤波其综合了高斯滤波器和α-截尾均值滤波器的特点，同时考虑了空间域与值域的差别，而Gaussian Filter和α均值滤波分别只考虑了空间域和值域差别。高斯滤波器只考虑像素间的欧式距离，其使用的模板系数随着和窗口中心的距离增大而减小；α-截尾均值滤波器则只考虑了像素灰度值之间的差值，去掉α%的最小值和最大值后再计算均值。 核心API：cv.bilateralFilter(输入图像, d, sigmaColor, sigmaSpace) src 输入图像 d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从sigmaSpace计算该值。 sigmaColor: 颜色空间过滤器的sigma值，这个参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。 sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色.
import cv2 as cv
# 将图片数据读取进来
img = cv.imread("../img/timg.jpg", cv.IMREAD_COLOR)
# 双边滤波
dstImg = cv.bilateralFilter(img, 10, 50, 50)
# 显示图像
cv.imshow('img', img)
cv.imshow('newimg', dstImg)
cv.waitKey(0)
2.9 锐化滤波
import cv2 as cv
import numpy as np
img = cv.imread("../img/hehua.jpg", cv.IMREAD_COLOR)
cv.imshow("src", img)
k = 1
kernel = np.array([
[-k, -k, -k],
[-k, 8*k+1, -k],
[-k, -k, -k]])
dst = cv.filter2D(img, -1, kernel)
cv.imshow("sharpness filter", dst)
cv.waitKey(0)
cv.destroyAllWindows()
