OpenCV實現可分離濾波

Posted on by

自定義濾波

無論是圖像卷積還是濾波，在原圖像上移動濾波器的過程中每一次的計算結果都不會影響到後面過程的計算結果，因此圖像濾波是一個並行的算法，在可以提供並行計算的處理器中可以極大的加快圖像濾波的處理速度。

圖像濾波還具有可分離性

先對X（Y）方向濾波，再對Y（X）方向濾波的結果與將兩個方向的濾波器聯合後整體濾波的結果相同。兩個方向的濾波器的聯合就是將兩個方向的濾波器相乘，得到一個矩形的濾波器

void filter2D( InputArray src, OutputArray dst, int ddepth,
                            InputArray kernel, Point anchor = Point(-1,-1),
                            double delta = 0, int borderType = BORDER_DEFAULT );
  • src：待濾波圖像
  • dst：輸出圖像，與輸入圖像src具有相同的尺寸、通道數和數據類型。
  • ddepth：輸出圖像的數據類型（深度），根據輸入圖像的數據類型不同擁有不同的取值范圍，具體的取值范圍在表5-1給出，當賦值為-1時，輸出圖像的數據類型自動選擇。
  • kernel：濾波器。
  • anchor：內核的基準點(錨點)，其默認值為(-1,-1)代表內核基準點位於kernel的中心位置。基準點即卷積核中與進行處理的像素點重合的點，其位置必須在卷積核的內部。
  • delta：偏值，在計算結果中加上偏值。
  • borderType：像素外推法選擇標志，取值范圍在表3-5中給出。默認參數為BORDER_DEFAULT，表示不包含邊界值倒序填充。 
void sepFilter2D( InputArray src, OutputArray dst, int ddepth,
                               InputArray kernelX, InputArray kernelY,
                               Point anchor = Point(-1,-1),
                               double delta = 0, int borderType = BORDER_DEFAULT );
  • src：待濾波圖像
  • dst：輸出圖像，與輸入圖像src具有相同的尺寸、通道數和數據類型。
  • ddepth：輸出圖像的數據類型（深度），根據輸入圖像的數據類型不同擁有不同的取值范圍，具體的取值范圍在表5-1給出，當賦值為-1時，輸出圖像的數據類型自動選擇。
  • kernelX：X方向的濾波器，
  • kernelY：Y方向的濾波器。
  • anchor：內核的基準點(錨點)，其默認值為(-1,-1)代表內核基準點位於kernel的中心位置。基準點即卷積核中與進行處理的像素點重合的點，其位置必須在卷積核的內部。
  • delta：偏值，在計算結果中加上偏值。
  • borderType：像素外推法選擇標志，取值范圍在表3-5中給出。默認參數為BORDER_DEFAULT，表示不包含邊界值倒序填充。

簡單示例

//
// Created by smallflyfly on 2021/6/15.
//
 
#include "opencv2/highgui.hpp"
#include "opencv2/opencv.hpp"
 
#include <iostream>
 
using namespace std;
using namespace cv;
 
int main() {
    float points[] = {
            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
    };
    Mat data(5, 5, CV_32FC1, points);
 
    // 驗證高斯濾波器可分離
    Mat gaussX = getGaussianKernel(3, 1);
    cout << gaussX << endl;
    Mat gaussDstData, gaussDataXY;
    GaussianBlur(data, gaussDstData, Size(3, 3), 1, 1, BORDER_CONSTANT);
    sepFilter2D(data, gaussDataXY, -1, gaussX, gaussX, Point(-1, -1), 0, BORDER_CONSTANT);
    cout << gaussDstData << endl;
    cout << gaussDataXY << endl;
    cout << "######################################" << endl;
 
    // Y方向上濾波
    Mat a = (Mat_<float>(3, 1) << -1, 3, -1);
    // X方向上濾波
    Mat b = a.reshape(1, 1);
    // XY聯合濾波
    Mat ab = a * b;
    Mat dataX, dataY, dataXY1, dataXY2, dataSepXY;
    filter2D(data, dataX, -1, b);
    filter2D(dataX, dataXY1, -1, a);
    filter2D(data, dataXY2, -1, ab);
    sepFilter2D(data, dataSepXY, -1, a, b);
 
    // 驗證結果
    cout << dataXY1 << endl;
    cout << dataXY2 << endl;
    cout << dataSepXY << endl;
 
    Mat im = imread("test.jpg");
    resize(im, im, Size(0, 0), 0.5, 0.5);
 
    Mat imX, imY, imXY, imSepXY;
    filter2D(im, imX, -1, b);
    filter2D(imX, imXY, -1, a);
    sepFilter2D(im, imSepXY, -1, a, b);
 
    imshow("imXY", imXY);
    imshow("imSepXY", imSepXY);
 
    waitKey(0);
    destroyAllWindows();
 
    return 0;
 
}

以上就是本文的全部內容，希望對大傢的學習有所幫助，也希望大傢多多支持WalkonNet。

推薦閱讀：