卷积操作的主要目的就是对图像进行降维以及特征提取；

1.卷积核往往是行数和列数均为奇数的矩阵，这样中心较好定位；

2.卷积核元素的总和体现出输出的亮度，若元素总和为1，卷积后的图像与原图像亮度基本一致；若元素总和为0，则卷积后的图像基本上是黑色，其中较亮的部分往往就是提取出图像的某种特征；

3.滤波实际上就是Same模式的卷积操作，也就是说滤波后图像的大小不变，各种滤镜和照片的风格化就是使用不同的滤波器对图像进行操作。因此卷积核、滤波器本质上都是一个东西；

4.高通滤波器（High Pass Filter, HPF）表示仅允许图像中高频部分（即图片中变化较剧烈的部分）通过，往往用于对图像进行锐化处理、增强图像中物体边缘等。如Sobel算子、Prewitt算子、锐化滤波器等；

5.低通滤波器（Low Pass Filter, LPF）表示仅允许图像中低频部分（即图片中变化较平缓的部分）通过，往往用于对图像进行模糊/平滑处理、消除噪点等。如高斯滤波器、均值滤波器等；

本文在此将常用的卷积核及其对应的意义总结记录一下，以便随时复习。

低通滤波器：

均值滤波

特点：滤波器中元素之和为1，输出亮度与输入基本一致；
均为低通滤波器，主要用于图像模糊/平滑处理、消除噪点；
核越大，模糊程度越大；

其中均值滤波器从名字就可以看出，每个元素值都一样，是卷积核元素个数的倒数，这样每个输出像素就是其周围像素的均值。一个3 × 3 的均值滤波器如下所示：

高斯滤波

特点：滤波器中元素之和为1，输出亮度与输入基本一致；
均为低通滤波器，主要用于图像模糊/平滑处理、消除噪点；
核越大，模糊程度越大；

高斯滤波器虽然元素总和也为1，但每个位置的权重不一样，权重在行和列上的分布均服从高斯分布，故称高斯滤波器。高斯分布的标准差越大，则模糊程度越大。一个3 × 3 标准差为1的高斯滤波器如下所示：

高斯和均值滤波器实例

这两个滤波器主要作用均为模糊图像，或在图像预处理中消除图像中的噪点：

高通滤波器：

锐化卷积核

概念：
锐化卷积核从名字就可以看出，主要作用就是对图片进行锐化操作，也就是让图像的边缘更加锐利。图像的边缘往往就是变化较大的地方，也就是图像的高频部分，因此锐化卷积核就是一种高通滤波器。一个3 × 3的锐化卷积核如下所示：

可见该卷积核就是计算中心位置像素与周围像素的差值，差值越大则表示该元素附近的变化越大（频率越大），输出值也就越大，因此是高频滤波器的一种。锐化卷积核元素总和如果是0，则有提取图像边缘信息的效果。

锐化卷积核示例
锐化卷积核作用为突出图像中物体的边缘，相当于给物体描边：

一阶微分算子

概念
图像中物体的边缘往往就是变化较为剧烈的部分（高频部分），对于一个函数来说，变化越剧烈的地方，对应的导数的绝对值也就越大。图像就是一种二元函数，f ( x , y )表示( x , y ))处像素的值，因此导数除了大小，还有方向。那么求图像在某方向上的一阶导数（或称图像的梯度），也就可以反映出图像在该处的变化程度，变化程度越快，在该方向的垂直方向可能就存在物体的边缘。

一阶微分算子可以计算出某个方向上物体的边缘

但往往对噪声较为敏感，且边缘检测敏感度依赖于物体的大小。

Prewitt算子

Prewitt算子就是对图像进行差分来近似对图像的某个部分求一阶导数。Prewitt算子适合用来识别噪声较多、灰度渐变的图像

例如像素点P5处 x 和 y 方向上的梯度大小 g_x 和 g_y 分别计算为

# -*- coding: utf-8 -*-importcv2importnumpyasnpimportmatplotlib.pyplotasplt# 读取图像img=cv2.imread('C:/Users/123/Pictures/66.png')
img_RGB=cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 灰度化处理图像grayImage=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Prewitt算子kernelx=np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]], dtype=int)
kernely=np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]], dtype=int)
x=cv2.filter2D(grayImage, cv2.CV_16S, kernelx)
y=cv2.filter2D(grayImage, cv2.CV_16S, kernely)
# 转uint8absX=cv2.convertScaleAbs(x)
absY=cv2.convertScaleAbs(y)
Prewitt=cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
# 用来正常显示中文标签plt.rcParams['font.sans-serif'] = ['SimHei']
# 显示图形plt.subplot(121),plt.imshow(img_RGB),plt.title('原始图像'), plt.axis('off') #坐标轴关闭plt.subplot(122),plt.imshow(Prewitt, cmap=plt.cm.gray ),plt.title('Prewitt算子'), plt.axis('off')
plt.show()

Sobel算子

Sobel算子则是Prewitt算子的改进版，对中间的元素适当进行了加权，Sobel算子与Prewitt算子类似。Sobel算子包含两组3×3的滤波器，分别对水平及垂直方向上的边缘敏感。

让两个方向模板分别沿着x轴、y轴与图像做卷积，方向是从上到下和从左到右。将模板的中心和图像上的某个像素重合，并将该像素周围的点与模板上对应的系数相乘，如图所示，其中Gx及Gy分别代表经横向及纵向边缘检测的图像梯度值。

图像上每个像素点的横向及纵向梯度值通过如下式结合，来计算该点梯度值G的大小：

为了减少运算时间，提高运算效率，可以使用绝对值求和近似的方法代替开平方：

由于Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，与Prewitt算子、Roberts算子相比效果更好

fromskimageimportdata,filters,img_as_ubyteimportmatplotlib.pyplotaspltimportcv2# 图像读取img=data.camera()
plt.imshow(img,plt.cm.gray)
'''**********skimage*************'''# sobel边缘检测edges=filters.sobel(img)
# 浮点型转成uint8型edges=img_as_ubyte(edges)
# 显示图像plt.figure()
plt.imshow(edges,plt.cm.gray) 
# sobel 水平方向边缘检测edgesh=filters.sobel_h(img)
edgesh=img_as_ubyte(edgesh)
plt.figure()
plt.imshow(edgesh,plt.cm.gray)
# sobel 竖直方向边缘检测edgesv=filters.sobel_v(img)
edgesv=img_as_ubyte(edgesv)
plt.figure()
plt.imshow(edgesv,plt.cm.gray) 
'''**********opencv*************'''# sobel边缘检测edges=cv2.Sobel(img,cv2.CV_16S,1,1) 
# 浮点型转成uint8型edges=cv2.convertScaleAbs(edges) 
plt.figure()
plt.imshow(edges,plt.cm.gray) 
# sobel 水平方向边缘检测edges=cv2.Sobel(img,cv2.CV_16S,1,0) 
edgesh=cv2.convertScaleAbs(edgesh) 
plt.figure()
plt.imshow(edgesh,plt.cm.gray) 
# sobel 竖直方向边缘检测edges=cv2.Sobel(img,cv2.CV_16S,0,1) 
edgesv=cv2.convertScaleAbs(edgesv) 
plt.figure()
plt.imshow(edgesv,plt.cm.gray)

分别是原图全方向solab算子

竖直方向sobel检测水平向sobel检测

二阶微分算子

简介
上一小节介绍的Prewitt算子和Sobel算子都是近似对图像进行一阶导数的计算，只能提取出某个具体方向的边缘。由微积分的知识可知，一个函数的二阶导数为0时，代表此处的一阶导数取得极值，对应地也就表明原函数在此处的变化最大。比如著名的Sigmoid函数及其一阶导数、二阶导数的图像如下：

因此往往还可以根据图像的二阶导数过零点的位置，来预测图像中变化最剧烈的地方，也许对应物体的边缘。与一阶微分算子不同，这些二阶微分算子对边缘的计算具有旋转不变性，也就是可以检测出各个方向上的边缘。

Laplace算子

Laplace算子可以近似计算出图像的二阶导数，具有旋转不变性，也就是可以检测出各个方向的边缘。

对于数字图像，拉普拉斯算子可以简化为：

也可以按卷积形式表示：

其中K=1，I=1时H（r,s）取下式，四方面模板：

通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；

当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；

当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积的负数。

对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。

#coding=utf-8    importcv2importnumpyasnpimg=cv2.imread("test.jpg", 0)    
gray_lap=cv2.Laplacian(img,cv2.CV_16S,ksize=3)    
dst=cv2.convertScaleAbs(gray_lap)    
cv2.imshow('laplacian',dst)    
cv2.waitKey(0)    
cv2.destroyAllWindows()

对比:

锐化卷积核计算的是中心像素减去周围像素的差值（中心权重为正，周边权重为负）；而Laplace算子则是周围像素之和减去中心像素的差值（中心权重为负，周边权重为正）。

LoG算子

Laplace算子对噪声依然很敏感。因此常常先使用高斯滤波器对图像进行平滑操作，再使用Laplace算子计算二阶微分。二者结合称为LoG算子（Laplacian of Gaussian），该算子可以更加稳定地计算图像的二阶微分。

基本理论

高斯卷积函数定义为：

而原始图像与高斯卷积定义为：

因为：

所以Laplacian of Gaussian(LOG) 可以通过先对高斯函数进行偏导操作，然后进行卷积求解。公式表示为：

和

因此，我们可以LOG核函数定义为：

importnumpyasnpimportcv2frommatplotlibimportpyplotasplt#定义掩膜m1=np.array([[0,0,-1,0,0],[0,-1,-2,-1,0],[-1,-2,16,-2,-1],[0,-1,-2,-1,0],[0,0,-1,0,0]]) #LoG算子模板img=cv2.imread("lena_1.tiff",0)
#边缘扩充image=cv2.copyMakeBorder(img, 2, 2, 2, 2, borderType=cv2.BORDER_REPLICATE)
# image = cv2.GaussianBlur(img,(3,3),4)rows=image.shape[0]
cols=image.shape[1]
temp=0image1=np.zeros(image.shape)
foriinrange(2,rows-2):
forjinrange(2,cols-2):
temp=np.abs(
            (np.dot(np.array([1, 1, 1, 1, 1]), (m1*image[i-2:i+3, j-2:j+3])))
                .dot(np.array([[1], [1], [1], [1], [1]])))
image1[i,j] =int(temp)
ifimage1[i, j] >255:
image1[i, j] =255else:
image1[i, j] =0cv2.imshow("LoG",image1)
cv2.waitKey(0)

DoG算子

LoG算子的计算量较大，因此有数学家发明了DoG（Difference of Gaussians）算子来近似LoG算子。DoG算子翻译为高斯差分算子，从名称上可以看出，就是使用两个标准差不同的高斯滤波器对图像进行滤波操作，再将滤波后的两个结果相减，最后的结果可以近似LoG算子。其中涉及到的数学理论较为复杂，在此暂不讨论。

是灰度图像增强和角点检测(也叫特征点提取)的一种方法

基本理论

首先，高斯函数表示定义为：

其次，两幅图像的高斯滤波表示为：

最后，将上面滤波得到的两幅图像g1和g2相减得到：

即：可以DOG表示为：

高斯模糊代码

importcv2importnumpyasnpimg=cv2.imread('D://fangzi.jpg')
cv2.imshow('img',img)
cv2.resizeWindow('img',640,480)
#img_ = cv2.GaussianBlur(img,ksize=(9,9),sigmaX=0,sigmaY=0)img_=cv2.GaussianBlur(img,(9,9),2)
cv2.imshow('img_',img_)
cv2.resizeWindow('img_',640,480)
cv2.waitKey()

效果：

DOG代码

左边是原图和三种不同σ的高斯模糊后的图。右边是对高斯滤波后的图片（相邻状态下）依次进行两两相减可得到右边的三个高斯函数的差分图（简称DOG）。

红色标记为当前像素点，黄色对应的像素点表示当前像素点邻接的点，共26(上图中27个黄点减去一个红点)个，如果该点（红点）是所有邻接像素点(黄点)的最大值或最小值，则红色标记对应的点为特征点。

#include #include usingnamespacestd;
usingnamespacecv;
intmain()
{
Matori_img=imread("D://lena.png");
Matgray_img;
cvtColor(ori_img, gray_img, CV_RGB2GRAY);
imshow("gray", gray_img);

gray_img.convertTo(gray_img, CV_32F);// float -像素是在0-1.0之间的任意值，这对于一些数据集的计算很有用，但是它必须通过将每个像素乘以255来转换成8位来保存或显示。

Matgauss1, gauss2;
GaussianBlur(gray_img, gauss1, Size(5, 5), 0.3, 0.3);
GaussianBlur(gray_img, gauss2, Size(5, 5), 0.4, 0.4);
MatDoG1, DoG2, DoG3;
DoG1=gauss1-gauss2;
imshow("DOG1", DoG1);
GaussianBlur(gray_img, gauss1, Size(5, 5), 0.6, 0.6);
GaussianBlur(gray_img, gauss2, Size(5, 5), 0.7, 0.7);
DoG2=gauss1-gauss2;
imshow("DOG2", DoG2);
GaussianBlur(gray_img, gauss1, Size(5, 5), 0.7, 0.7);
GaussianBlur(gray_img, gauss2, Size(5, 5), 0.8, 0.8);
DoG3=gauss1-gauss2;
imshow("DOG3", DoG3);
for (intj=1; j<gray_img.rows-1; j++)
    {
for (inti=1; i<gray_img.cols-1; i++)
        {
if (DoG2.at(j, i) <DoG2.at(j-1, i-1) &&DoG2.at(j, i) <DoG2.at(j-1, i) &&DoG2.at(j, i) <DoG2.at(j-1, i+1) &&DoG2.at(j, i) <DoG2.at(j, i-1) &&DoG2.at(j, i) <DoG2.at(j, i+1) &&DoG2.at(j, i) <DoG2.at(j+1, i-1) &&DoG2.at(j, i) <DoG2.at(j+1, i) &&DoG2.at(j, i) <DoG2.at(j+1, i+1)
&&DoG2.at(j, i) <DoG1.at(j, i) &&DoG2.at(j, i) <DoG1.at(j-1, i-1) &&DoG2.at(j, i) <DoG1.at(j-1, i) &&DoG2.at(j, i) <DoG1.at(j-1, i+1) &&DoG2.at(j, i) <DoG1.at(j, i-1) &&DoG2.at(j, i) <DoG1.at(j, i+1) &&DoG2.at(j, i) <DoG1.at(j+1, i-1) &&DoG2.at(j, i) <DoG1.at(j+1, i) &&DoG2.at(j, i) <DoG1.at(j+1, i+1)
&&DoG2.at(j, i) <DoG3.at(j, i) &&DoG2.at(j, i) <DoG3.at(j-1, i-1) &&DoG2.at(j, i) <DoG3.at(j-1, i) &&DoG2.at(j, i) <DoG3.at(j-1, i+1) &&DoG2.at(j, i) <DoG3.at(j, i-1) &&DoG2.at(j, i) <DoG3.at(j, i+1) &&DoG2.at(j, i) <DoG3.at(j+1, i-1) &&DoG2.at(j, i) <DoG3.at(j+1, i) &&DoG2.at(j, i) <DoG3.at(j+1, i+1))
            {
//cout << DoG2.at(j, i);if (DoG2.at(j, i) <-3)
                {
circle(ori_img, Point(i, j), 3, CV_RGB(0, 0, 255));
                }
            }
elseif (DoG2.at(j, i) >DoG2.at(j-1, i-1) &&DoG2.at(j, i) >DoG2.at(j-1, i) &&DoG2.at(j, i) >DoG2.at(j-1, i+1) &&DoG2.at(j, i) >DoG2.at(j, i-1) &&DoG2.at(j, i) >DoG2.at(j, i+1) &&DoG2.at(j, i) >DoG2.at(j+1, i-1) &&DoG2.at(j, i) >DoG2.at(j+1, i) &&DoG2.at(j, i) >DoG2.at(j+1, i+1)
&&DoG2.at(j, i) >DoG1.at(j, i) &&DoG2.at(j, i) >DoG1.at(j-1, i-1) &&DoG2.at(j, i) >DoG1.at(j-1, i) &&DoG2.at(j, i) >DoG1.at(j-1, i+1) &&DoG2.at(j, i) >DoG1.at(j, i-1) &&DoG2.at(j, i) >DoG1.at(j, i+1) &&DoG2.at(j, i) >DoG1.at(j+1, i-1) &&DoG2.at(j, i) >DoG1.at(j+1, i) &&DoG2.at(j, i) >DoG1.at(j+1, i+1)
&&DoG2.at(j, i) >DoG3.at(j, i) &&DoG2.at(j, i) >DoG3.at(j-1, i-1) &&DoG2.at(j, i) >DoG3.at(j-1, i) &&DoG2.at(j, i) >DoG3.at(j-1, i+1) &&DoG2.at(j, i) >DoG3.at(j, i-1) &&DoG2.at(j, i) >DoG3.at(j, i+1) &&DoG2.at(j, i) >DoG3.at(j+1, i-1) &&DoG2.at(j, i) >DoG3.at(j+1, i) &&DoG2.at(j, i) >DoG3.at(j+1, i+1))
                {
if (DoG2.at(j, i) >3)
                    {
circle(ori_img, Point(i, j), 3, CV_RGB(255, 0, 0));
                    }
                }
        }
    }
imshow("result", ori_img);
waitKey(0);

效果：

输入的灰度图：

1：

2：

3：

result：

常用图像卷积核类型小结

低通滤波器：

均值滤波

高斯滤波

高通滤波器：

锐化卷积核

一阶微分算子

Prewitt算子

Sobel算子

二阶微分算子

Laplace算子

对比:

LoG算子

基本理论

DoG算子

基本理论

高斯模糊代码

DOG代码

热门文章

最新文章

相关电子书

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

常用图像卷积核类型小结

低通滤波器：

均值滤波

高斯滤波

高通滤波器：

锐化卷积核

一阶微分算子

Prewitt算子

Sobel算子

二阶微分算子

Laplace算子

对比:

LoG算子

基本理论

DoG算子

基本理论

高斯模糊代码

DOG代码

热门文章

最新文章

相关电子书