《opencv实用探索·七》一文看懂图像卷积运算

1、图像卷积使用场景

图像卷积是图像处理中的一种常用的算法，它是一种基本的滤波技术，通过卷积核（也称为滤波器）对图像进行操作，使用场景如下：

模糊（Blur）： 使用加权平均卷积核对图像进行卷积可以实现模糊效果。这对于去除图像中的噪声或减小细节可以很有帮助。

锐化（Sharpen）： 锐化卷积核可以突出图像中的边缘，增强图像的细节。这对于使图像看起来更清晰和更有对比度很有用。

边缘检测（Edge Detection）： 使用特定的卷积核，如Sobel、Prewitt或Laplacian等，可以检测图像中的边缘。这对于计算机视觉任务和物体识别非常重要。

浮雕效果： 通过使用浮雕卷积核，可以使图像看起来带有凹凸的感觉，类似于雕刻。

平滑和降噪： 卷积可以用于平滑图像，减少图像中的高频噪声。常见的平滑卷积核包括高斯核。

纹理分析： 通过使用不同类型的卷积核，可以提取图像中的纹理信息，用于纹理分析和分类任务。

图像增强： 卷积可以用于增强图像的特定特征，例如对比度、亮度或颜色。

运动模糊（Motion Blur）： 使用特定的卷积核，可以模拟图像中的运动模糊，这对于一些图像合成和特效很有用。

下面是一些实现效果图：
图像模糊：

图像浮雕：

图像锐化

2、卷积运算计算方式

先定义一个卷积核，也被成为卷积模板或卷积窗口
注意：卷积核是一个nxn的矩阵，且n是一个奇数，这样卷积核才有一个中心点，卷积核中的每个数字都是一个权重。

从上图中可以看到定义了一个3x3的卷积核，且核内除了中心点权重为1，其他都为0

怎么计算加权平均？
下面定义一个原图像，我们先把卷积核放在图像任意一个位置。

这时候对卷积核覆盖在原图像中心点的像素进行加权平均：

(250*0 + 210*0 + 220*0 + 20*0 + 30*1 + 140*0 + 240*0 + 140*0 + 110*0) / (0+0+0+0+1+0+0+0+0) = 30

这时候经过卷积的原图像在第三行第四列的像素值置为30，说明图像中这个中心点的灰度值不受周围像素点的影响。卷积运算之后的灰度值仍然是它本身。

下面我们换一个卷积核：

依旧放在上面原图的那个位置，现在重新进行卷积运算：

(250/9 + 210/9 + 220/9 + 20/9 + 30/9 + 140/9 + 240/9 + 140/9 + 110/9) / (1/9+1/9+1/9+1/9+1/9+1/9+1/9+1/9+1/9) = 151

这时候经过卷积的原图像在第三行第四列的像素值置为151，说明图像中的这个像素灰度值已被周围像素点影响。

下图一张动图模拟了卷积核依次滑过原图像中每个像素点并依次对卷积核中心覆盖的那个像素点进行卷积运算。

需要注意的是图像在做卷积运算时需要花费一些时间，通常和卷积核的大小有关，卷积核越大卷积运算时间越长图像越模糊，一般情况下推荐使用3x3， 5x5和7x7卷积核对图像进行卷积运算。

下图是我们使用3x3卷积核对原图像进行滑行描扫，核中心走过的区域：

可以看到经过卷积运算后原图像从原来的12x12变为了10x10，因为3x3卷积核的中心无法做到对原图像的边缘进行卷积运算。那由此可以推断出如果我们使用5x5卷积核，图像将会从原来的12x12变为8x8，最外两层没有参与计算。如果这样的话图像的信息变会丢失，那么怎么让图像中所有的像素都参与卷积运算？

比如我们使用3x3卷积核，通常会在图像最外层添加一层像素，这样在用3x3卷积核滑动时卷积核中心就能扫到图像最外层像素。

图像卷积效果：
通过卷积运算，对图像进行模糊后，可以将图像中的高频噪声给过滤掉。因此，对图像的卷积运算也称为平滑或者滤波。卷积核也称为滤波器。

如果采用3x3卷积核，且只有核中心为1，其他都为0，那么原图卷积出来没有任何变化

如果我们把卷积核换成：

卷积后的图像开始变模糊

下图为对一张图片进行不同卷积核均值模糊后的结果，可以看到卷积核尺寸越大，图像越模糊。

通常，均值滤波采用的卷积核里面的权重都是1，求加权平均就等于求平均，在使用卷积核模糊图像时为了尽量保留图像原有的信息，卷积核中心的权值应该最高，越远离核中心的权值越小。这时候就应该考虑使用高斯滤波模糊图像，高斯模糊在平滑物体表面的同时，能够更好的保持图像的边缘和轮廓

参考信息：卷积神经网络