39

目录

1. 用cv::filter2D()进行卷积

2. 通过cv::sepFilter2D()使用可分核

3. 生成卷积核cv::getDerivKernel()和cv::getGaussianKernel()

---

​​​​​​​OpenCv允许使用一个真实存在的核进行卷积 *** 作。

理论上，只要用一个数组表示一个核，然后放进一个函数，就可以用来卷积了。实际情况中，一些不起眼的地方会在很大程度上影响到性能，可分解的矩阵通常会产生这种影响，如下：

 一个可分核可以理解成两个一维核，在卷积时，先调用x内核，然后再调用y内核。两个矩阵进行卷积所产生的消耗可以用两个矩阵的面积之积近似。这样，一个n x n的核对面积为A的图像进行卷积所需的时间是An²。但是如果分解成n x 1和1 x n的两个核，那么代价就是An + An = 2An，大大提高了卷积计算的效率，只要n不小于3，这种计算方式能提高效率，并且n越大，越明显。

1. 用cv::filter2D()进行卷积

对一幅图像进行卷积的 *** 作是十分巨大的，第一感觉大概是图像中的像素数量乘以卷积核中的像素数，如此复杂的 *** 作导致没有人愿意通过使用for循环和一堆指针去计算卷积，OpenCv完成并优化这些 *** 作，使用的函数是cv::filter2D()，函数原型：

void cv::filter2D(
	cv::InputArray src,  // input image
	cv::OutputArray dst,  // result image
	int ddepth,  // output depth
	cv::InputArray kernel,  // your own kernel
	cv::Point anchor = cv::Point(-1,-1),  // location of anchor point
	double delta = 0,  //   offset before assignment
	int borderType = cv::BORDER_DEFAULT  // border extrapolation to use
);

使用cv::filter2D()时，先创建一个适当大小的数组，然后设置好内部的系数，然后将它和源图像以及目标图像一起传入cv::filter2D()。
可以通过参数anchor设置锚点，通过borderType设置边框外推方式。
如果定义了锚点位置，那么核的大小可以为偶数，否则必须为奇数。如果还希望滤波的结果与源图像产生一个偏移，可以指定delta参数。

2. 通过cv::sepFilter2D()使用可分核

如果参与卷积的核是可分核，那么先将其分解为两个一维核，然后传递到OpenCv中计算，会获得最佳的计算性能。OpenCv提供函数cv::sepFilter2D()实现该功能，该函数与cv::filter2D()相似，只是在核的接收上有差异。函数原型：

void cv::sepFilter2D(
	cv::InputArray src,  // input image
	cv::OutputArray dst,  // result image
	int ddepth,  // output depth
	cv::InputArray rowKernel,  // 1-by-N row kernel
	cv::InputArray colKernel,  // M-by-1 column kernel
	cv::Point anchor = cv::Point(-1,-1),  // location of anchor point
	double delta = 0,  // offset before assignment
	int borderType = cv::BORDER_DEFAULT  // border extrapolation to use
);

3. 生成卷积核cv::getDerivKernel()和cv::getGaussianKernel()

OpenCv还提供了几个用于生成常用卷积核的函数，cv::getDerivKernel()用于生成Sobel核和Scharr核，cv::getGaussianKernel()用于生成高斯核。

cv::getDerivKernel()函数原型如下：

void cv::getDerivKernels(
	cv::OutputArray kx,
	cv::OutputArray ky,
	int dx,  // order of corresponding derivative in x
	int dy,  // order of corresponding derivative in y
	int ksize,  // kernel size
	bool normalize = true,  // if true, divide by box area
	int ktype = CV_32F  // type for filter coefficients
);

cv::getDerivKernel()的结果放在数组kx和ky中，导数核Sobel和Scharr核是可以分解的。这也是函数返回两个核的原因，返回的两个核中，一个是大小为1 x ksize的行向量，另一个是大小为ksize x 1的列向量。这两个数组由x、y方向的求导顺序dx和dy计算而来。导数核永远都是正方形，ksize是一个整数，可以为1、3、5、7或cv::SCHARR。normalize决定cv::getDerivKernel()是否将核规范化。如果目标是浮点型图像，normalize应该设置为真；如果目标是整型数组，不要设置为真，以免精度丢失。最后一个参数ktype表示滤波器的类型（默认kx核ky的类型，ktype可以是CV_32F和CV_64F。

cv::getGaussianKernel()函数原型：

cv::Mat cv::getGaussianKernel(
    int ksize,  // kernel size
    double sigma,  // Gaussian half-width
    int ktype = CV_32F  // type for filter coefficients)
);

高斯滤波器使用的核是由cv::getGaussianKernel()生成。与导数核相同，高斯核也是可分的。因此cv::getGaussianKernel()计算一个ksize x 1的数组作为结果，ksize是奇数。sigma是近似高斯分布的标准差，高斯分布矩阵的系数通过下式计算：

系数α在滤波器需要规范化的时候才起作用，sigma=-1时将自动计算ksize。