影像濾波

詳細描述

本節所述的函數和類別用於對 2D 影像（以 Mat 表示）執行各種線性或非線性濾波操作。這表示對於來源影像（通常為矩形）中的每個像素位置 \((x,y)\)，都會考慮其鄰域並用於計算響應。在線性濾波器中，它是像素值的加權和。在形態學操作中，它是最小值或最大值，依此類推。計算出的響應會儲存在目標影像的相同位置 \((x,y)\)。這表示輸出影像將與輸入影像具有相同的大小。通常，這些函數支援多通道陣列，每個通道會獨立處理。因此，輸出影像也會具有與輸入影像相同數量的通道。

本節所述函數和類別的另一個共同特點是，與簡單的算術函數不同，它們需要推斷一些不存在像素的值。例如，如果您想使用高斯 \(3 \times 3\) 濾波器來平滑影像，那麼在處理每行的最左邊像素時，您需要其左側的像素，即影像外部的像素。您可以讓這些像素與影像最左邊的像素相同（「重複邊界」外推法），或者假設所有不存在的像素都為零（「常數邊界」外推法），依此類推。OpenCV 允許您指定外推方法。詳情請參閱 BorderTypes

深度組合

輸入深度 (src.depth())	輸出深度 (ddepth)
CV_8U	-1/CV_16S/CV_32F/CV_64F
CV_16U/CV_16S	-1/CV_32F/CV_64F
CV_32F	-1/CV_32F
CV_64F	-1/CV_64F

備註

當 ddepth=-1 時，輸出影像將與來源影像具有相同的深度。

如果您需要雙精度浮點數的精確度，並且使用單精度浮點數的輸入資料（CV_32F 輸入和 CV_64F 輸出深度組合），您可以使用 Mat::convertTo 將輸入資料轉換為所需的精度。

列舉
列舉	cv::MorphShapes {   cv::MORPH_RECT = 0 ,   cv::MORPH_CROSS = 1 ,   cv::MORPH_ELLIPSE = 2 ,   cv::MORPH_DIAMOND = 3 }
	結構元素的形狀 更多...
列舉	cv::MorphTypes {   cv::MORPH_ERODE = 0 ,   cv::MORPH_DILATE = 1 ,   cv::MORPH_OPEN = 2 ,   cv::MORPH_CLOSE = 3 ,   cv::MORPH_GRADIENT = 4 ,   cv::MORPH_TOPHAT = 5 ,   cv::MORPH_BLACKHAT = 6 ,   cv::MORPH_HITMISS = 7 }
	形態學操作的類型 更多...
列舉	cv::SpecialFilter { cv::FILTER_SCHARR = -1 }

函式
void	cv::bilateralFilter (InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)
	對影像套用雙邊濾波 (bilateral filter)。
void	cv::blur (InputArray src, OutputArray dst, Size ksize, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT)
	使用正規化盒狀濾波器 (normalized box filter) 模糊影像。
void	cv::boxFilter (InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor=Point(-1,-1), bool normalize=true, int borderType=BORDER_DEFAULT)
	使用盒狀濾波器 (box filter) 模糊影像。
void	cv::buildPyramid (InputArray src, OutputArrayOfArrays dst, int maxlevel, int borderType=BORDER_DEFAULT)
	建構影像的高斯金字塔。
void	cv::dilate (InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的結構元素膨脹影像。
void	cv::erode (InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	使用特定的結構元素侵蝕影像。
void	cv::filter2D (InputArray src, OutputArray dst, int ddepth, InputArray kernel, Point anchor=Point(-1,-1), double delta=0, int borderType=BORDER_DEFAULT)
	將影像與卷積核 (kernel) 進行卷積。
void	cv::GaussianBlur (InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT, AlgorithmHint hint=cv::ALGO_HINT_DEFAULT)
	使用高斯濾波器模糊影像。
void	cv::getDerivKernels (OutputArray kx, OutputArray ky, int dx, int dy, int ksize, bool normalize=false, int ktype=CV_32F)
	返回用於計算空間影像導數的濾波器係數。
Mat	cv::getGaborKernel (Size ksize, double sigma, double theta, double lambd, double gamma, double psi=CV_PI *0.5, int ktype=CV_64F)
	返回 Gabor 濾波器係數。
Mat	cv::getGaussianKernel (int ksize, double sigma, int ktype=CV_64F)
	返回高斯濾波器係數。
Mat	cv::getStructuringElement (int shape, Size ksize, Point anchor=Point(-1,-1))
	返回用於形態學操作的指定大小和形狀的結構元素。
void	cv::Laplacian (InputArray src, OutputArray dst, int ddepth, int ksize=1, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)
	計算影像的拉普拉斯算子（Laplacian）。
void	cv::medianBlur (InputArray src, OutputArray dst, int ksize)
	使用中值濾波器模糊影像。
static Scalar	cv::morphologyDefaultBorderValue ()
	返回用於侵蝕（erosion）與擴張（dilation）的「魔術」邊界值。對於擴張操作，它會自動轉換為 Scalar::all(-DBL_MAX)。
void	cv::morphologyEx (InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor=Point(-1,-1), int iterations=1, int borderType=BORDER_CONSTANT, const Scalar &borderValue=morphologyDefaultBorderValue())
	執行進階形態學轉換。
void	cv::pyrDown (InputArray src, OutputArray dst, const Size &dstsize=Size(), int borderType=BORDER_DEFAULT)
	模糊影像並對其進行降採樣（downsamples）。
void	cv::pyrMeanShiftFiltering (InputArray src, OutputArray dst, double sp, double sr, int maxLevel=1, TermCriteria termcrit=TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 5, 1))
	對影像執行均值漂移（meanshift）分割的初始步驟。
void	cv::pyrUp (InputArray src, OutputArray dst, const Size &dstsize=Size(), int borderType=BORDER_DEFAULT)
	對影像進行上採樣（upsamples）然後模糊處理。
void	cv::Scharr (InputArray src, OutputArray dst, int ddepth, int dx, int dy, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)
	使用 Scharr 算子計算一階 x 或 y 影像導數。
void	cv::sepFilter2D (InputArray src, OutputArray dst, int ddepth, InputArray kernelX, InputArray kernelY, Point anchor=Point(-1,-1), double delta=0, int borderType=BORDER_DEFAULT)
	對影像應用可分離線性濾波器。
void	cv::Sobel (InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize=3, double scale=1, double delta=0, int borderType=BORDER_DEFAULT)
	使用擴展的 Sobel 算子計算一階、二階、三階或混合影像導數。
void	cv::spatialGradient (InputArray src, OutputArray dx, OutputArray dy, int ksize=3, int borderType=BORDER_DEFAULT)
	使用 Sobel 算子計算 x 和 y 方向的一階影像導數。
void	cv::sqrBoxFilter (InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor=Point(-1, -1), bool normalize=true, int borderType=BORDER_DEFAULT)
	計算與濾波器重疊的像素值平方和的正規化結果。
void	cv::stackBlur (InputArray src, OutputArray dst, Size ksize)
	使用 stackBlur 模糊影像。

列舉類型文件

形態形狀

enum cv::MorphShapes

#include <opencv2/imgproc.hpp>

結構元素的形狀

列舉值
MORPH_RECT  Python: cv.MORPH_RECT	矩形結構元素 \[E_{ij}=1\]
MORPH_CROSS  Python: cv.MORPH_CROSS	十字形結構元素 \[E_{ij} = \begin{cases} 1 & \texttt{if } {i=\texttt{anchor.y } {or } {j=\texttt{anchor.x}}} \\0 & \texttt{otherwise} \end{cases}\]
MORPH_ELLIPSE  Python: cv.MORPH_ELLIPSE	在矩形 Rect(0, 0, esize.width, esize.height) 中 橢圓形結構元素，即內切的實心橢圓
MORPH_DIAMOND  Python: cv.MORPH_DIAMOND	由曼哈頓距離定義的菱形結構元素

形態學類型

enum cv::MorphTypes

#include <opencv2/imgproc.hpp>

形態學操作的類型

列舉值
MORPH_ERODE  Python: cv.MORPH_ERODE	請參閱 erode
MORPH_DILATE  Python: cv.MORPH_DILATE	請參閱 dilate
MORPH_OPEN  Python: cv.MORPH_OPEN	開啟操作 \[\texttt{dst} = \mathrm{open} ( \texttt{src} , \texttt{element} )= \mathrm{dilate} ( \mathrm{erode} ( \texttt{src} , \texttt{element} ))\]
MORPH_CLOSE  Python: cv.MORPH_CLOSE	閉合操作 \[\texttt{dst} = \mathrm{close} ( \texttt{src} , \texttt{element} )= \mathrm{erode} ( \mathrm{dilate} ( \texttt{src} , \texttt{element} ))\]
MORPH_GRADIENT  Python: cv.MORPH_GRADIENT	形態學梯度 \[\texttt{dst} = \mathrm{morph\_grad} ( \texttt{src} , \texttt{element} )= \mathrm{dilate} ( \texttt{src} , \texttt{element} )- \mathrm{erode} ( \texttt{src} , \texttt{element} )\]
MORPH_TOPHAT  Python: cv.MORPH_TOPHAT	「頂帽」 \[\texttt{dst} = \mathrm{tophat} ( \texttt{src} , \texttt{element} )= \texttt{src} - \mathrm{open} ( \texttt{src} , \texttt{element} )\]
MORPH_BLACKHAT  Python: cv.MORPH_BLACKHAT	「黑帽」 \[\texttt{dst} = \mathrm{blackhat} ( \texttt{src} , \texttt{element} )= \mathrm{close} ( \texttt{src} , \texttt{element} )- \texttt{src}\]
MORPH_HITMISS  Python: cv.MORPH_HITMISS	「擊中或錯過」 (hit or miss) .- 僅支援 CV_8UC1 二值影像。相關教學可在文件檔中找到

特殊濾波器

enum cv::SpecialFilter

#include <opencv2/imgproc.hpp>

列舉值
FILTER_SCHARR  Python: cv.FILTER_SCHARR

函式文件

雙邊濾波器()

void cv::bilateralFilter	(	InputArray	src,
		OutputArray	dst,
		int	d,
		double	sigmaColor,
		double	sigmaSpace,
		int	borderType = BORDER_DEFAULT )

Python
	cv.bilateralFilter(	src, d, sigmaColor, sigmaSpace[, dst[, borderType]]	) ->	dst

#include <opencv2/imgproc.hpp>

對影像套用雙邊濾波 (bilateral filter)。

此函數將雙邊濾波應用於輸入影像，如 https://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html 所述。雙邊濾波器能很好地減少不必要的雜訊，同時保持邊緣相當清晰。然而，與大多數濾波器相比，它的速度非常慢。

Sigma 值：為求簡便，您可以將兩個 sigma 值設為相同。如果它們很小（< 10），濾波器效果不大；如果它們很大（> 150），則會產生非常強烈的效果，使影像看起來像「卡通」。

濾波器尺寸：大型濾波器 (d > 5) 速度很慢，因此建議即時應用使用 d=5，而對於需要大量雜訊濾波的離線應用則可考慮使用 d=9。

此濾波器不支援就地操作 (in-place)。

參數

src	來源 8 位元或浮點型，單通道或 3 通道影像。
dst	與 src 具有相同大小和類型的目標影像。
d	濾波期間使用的每個像素鄰域的直徑。如果為非正值，則從 sigmaSpace 計算。
sigmaColor	顏色空間中的濾波 sigma。該參數值越大，表示像素鄰域內較遠的顏色（參閱 sigmaSpace）將混合在一起，產生更大的半均勻顏色區域。
sigmaSpace	座標空間中的濾波 sigma。該參數值越大，表示只要像素顏色足夠接近（參閱 sigmaColor），較遠的像素也會相互影響。當 d>0 時，它指定了鄰域大小，與 sigmaSpace 無關。否則，d 與 sigmaSpace 成正比。
borderType	用於外推影像外部像素的邊界模式，請參閱 BorderTypes

模糊濾波器()

void cv::blur	(	InputArray	src,
		OutputArray	dst,
		Size	ksize,
		Point	anchor = Point(-1,-1),
		int	borderType = BORDER_DEFAULT )

Python
	cv.blur(	src, ksize[, dst[, anchor[, borderType]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用正規化盒狀濾波器 (normalized box filter) 模糊影像。

此函數使用以下卷積核平滑影像

\[\texttt{K} = \frac{1}{\texttt{ksize.width*ksize.height}} \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \end{bmatrix}\]

呼叫 blur(src, dst, ksize, anchor, borderType) 等同於 boxFilter(src, dst, src.type(), ksize, anchor, true, borderType)。

參數

src	輸入影像；可具有任意數量的通道，這些通道會獨立處理，但深度應為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
dst	與 src 具有相同大小和類型的輸出影像。
ksize	模糊卷積核大小。
anchor	錨點；預設值 Point(-1,-1) 表示錨點位於卷積核中心。
borderType	用於外推影像外部像素的邊界模式，請參閱 BorderTypes。BORDER_WRAP 不受支援。

參見

boxFilter, bilateralFilter, GaussianBlur, medianBlur

方框濾波器()

void cv::boxFilter	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		Size	ksize,
		Point	anchor = Point(-1,-1),
		bool	normalize = true,
		int	borderType = BORDER_DEFAULT )

Python
	cv.boxFilter(	src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用盒狀濾波器 (box filter) 模糊影像。

此函數使用以下卷積核平滑影像

\[\texttt{K} = \alpha \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \hdotsfor{6} \\ 1 & 1 & 1 & \cdots & 1 & 1 \end{bmatrix}\]

其中

\[\alpha = \begin{cases} \frac{1}{\texttt{ksize.width*ksize.height}} & \texttt{when } \texttt{normalize=true} \\1 & \texttt{otherwise}\end{cases}\]

未歸一化的方框濾波器可用於計算每個像素鄰域上的各種積分特性，例如影像導數的協方差矩陣（用於稠密光流演算法等）。如果您需要計算可變大小視窗內的像素總和，請使用 integral。

參數

src	輸入影像。
dst	與 src 具有相同大小和類型的輸出影像。
ddepth	輸出影像深度（-1 表示使用 src.depth()）。
ksize	模糊卷積核大小。
anchor	錨點；預設值 Point(-1,-1) 表示錨點位於卷積核中心。
normalize	標誌，指定卷積核是否按其面積歸一化。
borderType	用於外推影像外部像素的邊界模式，請參閱 BorderTypes。BORDER_WRAP 不受支援。

參見

blur, bilateralFilter, GaussianBlur, medianBlur, integral

建立金字塔()

void cv::buildPyramid	(	InputArray	src,
		OutputArrayOfArrays	dst,
		int	maxlevel,
		int	borderType = BORDER_DEFAULT )

#include <opencv2/imgproc.hpp>

建構影像的高斯金字塔。

此函數建構一個影像向量，並透過從 dst[0]==src 開始，遞迴地將 pyrDown 應用於先前建立的金字塔層來建立高斯金字塔。

參數

src	來源影像。請參閱 pyrDown 以取得支援類型的列表。
dst	目標向量，包含 maxlevel+1 個與 src 相同類型的影像。dst[0] 將與 src 相同。dst[1] 是下一個金字塔層，是經過平滑和縮小的 src，依此類推。
maxlevel	最後（最小）金字塔層的零基索引。它必須是非負值。
borderType	像素外推方法，請參閱 BorderTypes（不支援 BORDER_CONSTANT）。

膨脹()

void cv::dilate	(	InputArray	src,
		OutputArray	dst,
		InputArray	kernel,
		Point	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.dilate(	src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用特定的結構元素膨脹影像。

此函數使用指定的結構元素對來源影像進行膨脹，該結構元素決定了取最大值的像素鄰域形狀。

\[\texttt{dst} (x,y) = \max _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

此函數支援就地模式。膨脹可以應用多次 (iterations)。對於多通道影像，每個通道都會獨立處理。

參數

src	輸入影像；通道數可以是任意值，但深度應為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F 之一。
dst	與 src 具有相同大小和類型的輸出影像。
kernel	用於膨脹的結構元素；如果 element=Mat()，則使用一個 3 x 3 的矩形結構元素。可以使用 getStructuringElement 建立卷積核。
anchor	元素內的錨點位置；預設值 (-1, -1) 表示錨點位於元素中心。
iterations	應用膨脹的次數。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。
borderValue	常數邊界情況下的邊界值

參見

erode, morphologyEx, getStructuringElement

腐蝕()

void cv::erode	(	InputArray	src,
		OutputArray	dst,
		InputArray	kernel,
		Point	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.erode(	src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用特定的結構元素侵蝕影像。

此函數使用指定的結構元素對來源影像進行腐蝕，該結構元素決定了取最小值的像素鄰域形狀。

\[\texttt{dst} (x,y) = \min _{(x',y'): \, \texttt{element} (x',y') \ne0 } \texttt{src} (x+x',y+y')\]

此函數支援就地模式。腐蝕可以應用多次 (iterations)。對於多通道影像，每個通道都會獨立處理。

參數

src	輸入影像；通道數可以是任意值，但深度應為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F 之一。
dst	與 src 具有相同大小和類型的輸出影像。
kernel	用於腐蝕的結構元素；如果 element=Mat()，則使用一個 3 x 3 的矩形結構元素。可以使用 getStructuringElement 建立卷積核。
anchor	元素內的錨點位置；預設值 (-1, -1) 表示錨點位於元素中心。
iterations	應用腐蝕的次數。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。
borderValue	常數邊界情況下的邊界值

參見

dilate, morphologyEx, getStructuringElement

filter2D()

void cv::filter2D	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		InputArray	kernel,
		Point	anchor = Point(-1,-1),
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	cv.filter2D(	src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

將影像與卷積核 (kernel) 進行卷積。

此函數將任意線性濾波器應用於影像。支援就地操作。當光圈部分位於影像外部時，函數會根據指定的邊界模式插入異常像素值。

此函數實際計算的是相關性 (correlation)，而非卷積 (convolution)。

\[\texttt{dst} (x,y) = \sum _{ \substack{0\leq x' < \texttt{kernel.cols}\\{0\leq y' < \texttt{kernel.rows}}}} \texttt{kernel} (x',y')* \texttt{src} (x+x'- \texttt{anchor.x} ,y+y'- \texttt{anchor.y} )\]

也就是說，卷積核不會圍繞錨點翻轉。如果您需要真正的卷積，請使用 flip 翻轉卷積核，並將新的錨點設為 (kernel.cols - anchor.x - 1, kernel.rows - anchor.y - 1)。

對於足夠大的卷積核（約 `11 x 11` 或更大），此函數使用基於 DFT 的演算法；對於小型卷積核，則使用直接演算法。

參數

src	輸入影像。
dst	與 src 具有相同大小和通道數的輸出影像。
ddepth	目標影像的所需深度，請參閱 組合
kernel	卷積核（或稱相關核），一個單通道浮點數矩陣；如果您想對不同通道應用不同的卷積核，請使用 split 將影像分成單獨的顏色平面並單獨處理它們。
anchor	卷積核的錨點，表示濾波點在卷積核內的相對位置；錨點應位於卷積核內；預設值 (-1,-1) 表示錨點位於卷積核中心。
delta	儲存到 dst 之前添加到濾波像素的選用值。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。

參見

sepFilter2D, dft, matchTemplate

高斯模糊濾波器()

void cv::GaussianBlur	(	InputArray	src,
		OutputArray	dst,
		Size	ksize,
		double	sigmaX,
		double	sigmaY = 0,
		int	borderType = BORDER_DEFAULT,
		AlgorithmHint	hint = cv::ALGO_HINT_DEFAULT )

Python
	cv.GaussianBlur(	src, ksize, sigmaX[, dst[, sigmaY[, borderType[, hint]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用高斯濾波器模糊影像。

此函數使用指定的高斯卷積核對來源影像進行卷積。支援就地濾波。

參數

src	輸入影像；影像可以具有任意數量的通道，這些通道會獨立處理，但深度應為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
dst	與 src 具有相同大小和類型的輸出影像。
ksize	高斯卷積核大小。ksize.width 和 ksize.height 可以不同，但它們都必須是正奇數。或者，它們可以是零，然後從 sigma 計算。
sigmaX	X 方向的高斯卷積核標準差。
sigmaY	Y 方向的高斯卷積核標準差；如果 sigmaY 為零，則設為等於 sigmaX；如果兩個 sigma 都為零，則分別從 ksize.width 和 ksize.height 計算（詳情請參閱 getGaussianKernel）；為了完全控制結果，而不論未來所有語義可能發生的修改，建議同時指定 ksize、sigmaX 和 sigmaY。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。
hint	實作修改標誌。請參閱 AlgorithmHint

參見

sepFilter2D, filter2D, blur, boxFilter, bilateralFilter, medianBlur

取得導數卷積核()

void cv::getDerivKernels	(	OutputArray	kx,
		OutputArray	ky,
		int	dx,
		int	dy,
		int	ksize,
		bool	normalize = false,
		int	ktype = CV_32F )

Python
	cv.getDerivKernels(	dx, dy, ksize[, kx[, ky[, normalize[, ktype]]]]	) ->	kx, ky

#include <opencv2/imgproc.hpp>

返回用於計算空間影像導數的濾波器係數。

此函數計算並返回空間影像導數的濾波器係數。當 ksize=FILTER_SCHARR 時，會產生 Scharr \(3 \times 3\) 卷積核（請參閱 Scharr）。否則，會產生 Sobel 卷積核（請參閱 Sobel）。這些濾波器通常傳遞給 sepFilter2D 或

參數

kx	列濾波器係數的輸出矩陣。其類型為 ktype。
ky	行濾波器係數的輸出矩陣。其類型為 ktype。
dx	關於 x 的導數階數。
dy	關於 y 的導數階數。
ksize	光圈大小。可以是 FILTER_SCHARR, 1, 3, 5 或 7。
normalize	標誌，指示是否歸一化（縮小）濾波器係數。理論上，係數應具有分母 \(=2^{ksize*2-dx-dy-2}\)。如果您要濾波浮點影像，您可能會使用歸一化的卷積核。但如果您計算 8 位元影像的導數，將結果儲存在 16 位元影像中，並希望保留所有小數位，您可能需要將 normalize=false。
ktype	濾波器係數的類型。可以是 CV_32f 或 CV_64F。

取得 Gabor 卷積核()

Mat cv::getGaborKernel	(	Size	ksize,
		double	sigma,
		double	theta,
		double	lambd,
		double	gamma,
		double	psi = CV_PI *0.5,
		int	ktype = CV_64F )

Python
	cv.getGaborKernel(	ksize, sigma, theta, lambd, gamma[, psi[, ktype]]	) ->	retval

#include <opencv2/imgproc.hpp>

返回 Gabor 濾波器係數。

有關 Gabor 濾波器方程式和參數的更多詳細資訊，請參閱：Gabor 濾波器。

參數

ksize	返回的濾波器大小。
sigma	高斯包絡的標準差。
theta	Gabor 函數平行條紋法線的方向。
lambd	正弦因子的波長。
gamma	空間長寬比。
psi	相位偏移。
ktype	濾波器係數的類型。可以是 CV_32F 或 CV_64F。

取得高斯卷積核()

Mat cv::getGaussianKernel	(	int	ksize,
		double	sigma,
		int	ktype = CV_64F )

Python
	cv.getGaussianKernel(	ksize, sigma[, ktype]	) ->	retval

#include <opencv2/imgproc.hpp>

返回高斯濾波器係數。

此函數計算並返回 \(\texttt{ksize} \times 1\) 的高斯濾波器係數矩陣

\[G_i= \alpha *e^{-(i-( \texttt{ksize} -1)/2)^2/(2* \texttt{sigma}^2)},\]

其中 \(i=0..\texttt{ksize}-1\) 和 \(\alpha\) 是選擇的縮放因子，使得 \(\sum_i G_i=1\)。

兩個這樣產生的卷積核可以傳遞給 sepFilter2D。這些函數會自動識別平滑卷積核（權重之和為 1 的對稱卷積核）並進行相應處理。您也可以使用更高級別的 GaussianBlur。

參數

ksize	光圈大小。它應該是正奇數 ( \(\texttt{ksize} \mod 2 = 1\) )。
sigma	高斯標準差。如果為非正值，則從 ksize 計算為 sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8。
ktype	濾波器係數的類型。可以是 CV_32F 或 CV_64F。

參見

sepFilter2D, getDerivKernels, getStructuringElement, GaussianBlur

取得結構元素()

Mat cv::getStructuringElement	(	int	shape,
		Size	ksize,
		Point	anchor = Point(-1,-1) )

Python
	cv.getStructuringElement(	shape, ksize[, anchor]	) ->	retval

#include <opencv2/imgproc.hpp>

返回用於形態學操作的指定大小和形狀的結構元素。

此函數建構並返回可用於 erode、dilate 或 morphologyEx 的結構元素。您也可以自行建構任意二值遮罩作為結構元素。

參數

shape	元素形狀，可以是 MorphShapes 之一
ksize	結構元素的大小。
anchor	元素內的錨點位置。預設值 \((-1, -1)\) 表示錨點位於中心。請注意，只有十字形元素的形狀取決於錨點位置。在其他情況下，錨點僅調整形態學操作結果的偏移量。

拉普拉斯算子()

void cv::Laplacian	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		int	ksize = 1,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	cv.Laplacian(	src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

計算影像的拉普拉斯算子（Laplacian）。

此函數透過將使用 Sobel 算子計算出的第二階 x 和 y 導數相加來計算來源影像的拉普拉斯算子。

\[\texttt{dst} = \Delta \texttt{src} = \frac{\partial^2 \texttt{src}}{\partial x^2} + \frac{\partial^2 \texttt{src}}{\partial y^2}\]

當 ksize > 1 時執行此操作。當 ksize == 1 時，拉普拉斯算子透過以下 \(3 \times 3\) 光圈濾波影像來計算。

\[\vecthreethree {0}{1}{0}{1}{-4}{1}{0}{1}{0}\]

參數

src	來源影像。
dst	與 src 具有相同大小和通道數的目標影像。
ddepth	目標影像的所需深度，請參閱 組合。
ksize	用於計算二階導數濾波器的光圈大小。詳情請參閱 getDerivKernels。大小必須為正奇數。
scale	計算出的拉普拉斯值的選用縮放因子。預設情況下不應用縮放。詳情請參閱 getDerivKernels。
delta	在將結果儲存到 dst 之前添加的選用 delta 值。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。

參見

Sobel, Scharr

中值模糊濾波器()

void cv::medianBlur	(	InputArray	src,
		OutputArray	dst,
		int	ksize )

Python
	cv.medianBlur(	src, ksize[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

使用中值濾波器模糊影像。

此函數使用具有 \(\texttt{ksize} \times \texttt{ksize}\) 光圈的中值濾波器平滑影像。多通道影像的每個通道都會獨立處理。支援就地操作。

備註

中值濾波器內部使用 BORDER_REPLICATE 來處理邊界像素，請參閱 BorderTypes

參數

src	輸入 1、3 或 4 通道影像；當 ksize 為 3 或 5 時，影像深度應為 CV_8U、CV_16U 或 CV_32F；對於較大的光圈尺寸，只能是 CV_8U。
dst	與 src 具有相同大小和類型的目標陣列。
ksize	光圈線性大小；它必須是奇數且大於 1，例如：3、5、7...

參見

bilateralFilter, blur, boxFilter, GaussianBlur

形態學預設邊界值()

static Scalar cv::morphologyDefaultBorderValue ( )

inlinestatic

#include <opencv2/imgproc.hpp>

返回用於侵蝕（erosion）與擴張（dilation）的「魔術」邊界值。對於擴張操作，它會自動轉換為 Scalar::all(-DBL_MAX)。

這是此函式的呼叫圖

進階形態學轉換()

void cv::morphologyEx	(	InputArray	src,
		OutputArray	dst,
		int	op,
		InputArray	kernel,
		Point	anchor = Point(-1,-1),
		int	iterations = 1,
		int	borderType = BORDER_CONSTANT,
		const Scalar &	borderValue = morphologyDefaultBorderValue() )

Python
	cv.morphologyEx(	src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

執行進階形態學轉換。

函數 cv::morphologyEx 可以使用腐蝕和膨脹作為基本操作執行進階形態學轉換。

任何操作都可以就地執行。對於多通道影像，每個通道都會獨立處理。

參數

src	來源影像。通道數可以是任意值。深度應為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F 之一。
dst	與來源影像具有相同大小和類型的目標影像。
op	形態學操作的類型，請參閱 MorphTypes
kernel	結構元素。可以使用 getStructuringElement 建立。
anchor	卷積核內的錨點位置。負值表示錨點位於卷積核中心。
iterations	應用腐蝕和膨脹的次數。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。
borderValue	常數邊界情況下的邊界值。預設值具有特殊含義。

參見

dilate, erode, getStructuringElement

備註

迭代次數是指腐蝕或膨脹操作將被應用的次數。例如，進行兩次迭代的開啟操作 (MORPH_OPEN) 等同於連續應用：腐蝕 -> 腐蝕 -> 膨脹 -> 膨脹（而不是腐蝕 -> 膨脹 -> 腐蝕 -> 膨脹）。

金字塔向下取樣()

void cv::pyrDown	(	InputArray	src,
		OutputArray	dst,
		const Size &	dstsize = Size(),
		int	borderType = BORDER_DEFAULT )

Python
	cv.pyrDown(	src[, dst[, dstsize[, borderType]]]	) ->	dst

#include <opencv2/imgproc.hpp>

模糊影像並對其進行降採樣（downsamples）。

預設情況下，輸出影像的大小計算為 Size((src.cols+1)/2, (src.rows+1)/2)，但在任何情況下，都應滿足以下條件

\[\begin{array}{l} | \texttt{dstsize.width} *2-src.cols| \leq 2 \\ | \texttt{dstsize.height} *2-src.rows| \leq 2 \end{array}\]

此函數執行高斯金字塔建構的向下取樣步驟。首先，它使用以下卷積核對來源影像進行卷積

\[\frac{1}{256} \begin{bmatrix} 1 & 4 & 6 & 4 & 1 \\ 4 & 16 & 24 & 16 & 4 \\ 6 & 24 & 36 & 24 & 6 \\ 4 & 16 & 24 & 16 & 4 \\ 1 & 4 & 6 & 4 & 1 \end{bmatrix}\]

然後，它透過捨棄偶數行和列來對影像進行向下取樣。

參數

src	輸入影像。
dst	輸出影像；它具有指定的大小和與 src 相同的類型。
dstsize	輸出影像的大小。
borderType	像素外推方法，請參閱 BorderTypes（不支援 BORDER_CONSTANT）。

金字塔均值偏移濾波()

void cv::pyrMeanShiftFiltering	(	InputArray	src,
		OutputArray	dst,
		double	sp,
		double	sr,
		int	maxLevel = 1,
		TermCriteria	termcrit = TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 5, 1) )

Python
	cv.pyrMeanShiftFiltering(	src, sp, sr[, dst[, maxLevel[, termcrit]]]	) ->	dst

#include <opencv2/imgproc.hpp>

對影像執行均值漂移（meanshift）分割的初始步驟。

此函數實作均值偏移分割的濾波階段，即函數的輸出是經過濾波的「海報化」影像，其中顏色梯度和細粒紋理已被平坦化。對於輸入影像（或縮小後的輸入影像，見下文）的每個像素 (X,Y)，函數會執行均值偏移迭代，即考慮聯合空間-顏色超空間中的像素 (X,Y) 鄰域

\[(x,y): X- \texttt{sp} \le x \le X+ \texttt{sp} , Y- \texttt{sp} \le y \le Y+ \texttt{sp} , ||(R,G,B)-(r,g,b)|| \le \texttt{sr}\]

其中 (R,G,B) 和 (r,g,b) 分別是 (X,Y) 和 (x,y) 處的顏色分量向量（儘管演算法不依賴於所使用的顏色空間，因此可以使用任何 3 分量顏色空間代替）。在鄰域內找到平均空間值 (X',Y') 和平均顏色向量 (R',G',B')，它們作為下一次迭代的鄰域中心

\[(X,Y)~(X',Y'), (R,G,B)~(R',G',B').\]

迭代結束後，初始像素（即迭代開始的像素）的顏色分量被設定為最終值（最後一次迭代的平均顏色）

\[I(X,Y) <- (R*,G*,B*)\]

當 maxLevel > 0 時，會建立 maxLevel+1 個層級的高斯金字塔，並首先在最小層上運行上述程序。之後，結果會傳播到較大的層，並且僅在該層顏色與金字塔較低解析度層的顏色差異大於 sr 的像素上再次運行迭代。這使得顏色區域的邊界更清晰。請注意，結果將與在整個原始影像上運行均值偏移程序（即當 maxLevel==0 時）所獲得的結果實際不同。

參數

src	來源 8 位元、3 通道影像。
dst	與來源影像具有相同格式和大小的目標影像。
sp	空間視窗半徑。
sr	顏色視窗半徑。
maxLevel	用於分割的金字塔最大層級。
termcrit	終止準則：何時停止均值偏移迭代。

金字塔向上取樣()

void cv::pyrUp	(	InputArray	src,
		OutputArray	dst,
		const Size &	dstsize = Size(),
		int	borderType = BORDER_DEFAULT )

Python
	cv.pyrUp(	src[, dst[, dstsize[, borderType]]]	) ->	dst

#include <opencv2/imgproc.hpp>

對影像進行上採樣（upsamples）然後模糊處理。

預設情況下，輸出影像的大小計算為 Size(src.cols*2, (src.rows*2)），但在任何情況下，都應滿足以下條件

\[\begin{array}{l} | \texttt{dstsize.width} -src.cols*2| \leq ( \texttt{dstsize.width} \mod 2) \\ | \texttt{dstsize.height} -src.rows*2| \leq ( \texttt{dstsize.height} \mod 2) \end{array}\]

此函數執行高斯金字塔建構的向上取樣步驟，儘管它實際上也可以用於建構拉普拉斯金字塔。首先，它透過插入偶數零行和列來對來源影像進行向上取樣，然後使用與 pyrDown 中相同並乘以 4 的卷積核對結果進行卷積。

參數

src	輸入影像。
dst	輸出影像。它具有指定的大小和與 src 相同的類型。
dstsize	輸出影像的大小。
borderType	像素外推方法，請參閱 BorderTypes（僅支援 BORDER_DEFAULT）。

Scharr 算子()

void cv::Scharr	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		int	dx,
		int	dy,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	cv.Scharr(	src, ddepth, dx, dy[, dst[, scale[, delta[, borderType]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用 Scharr 算子計算一階 x 或 y 影像導數。

此函數使用 Scharr 算子計算影像的 x 或 y 方向的一階空間導數。呼叫

\[\texttt{Scharr(src, dst, ddepth, dx, dy, scale, delta, borderType)}\]

等同於

\[\texttt{Sobel(src, dst, ddepth, dx, dy, FILTER_SCHARR, scale, delta, borderType)} .\]

參數

src	輸入影像。
dst	與 src 具有相同大小和通道數的輸出影像。
ddepth	輸出影像深度，請參閱 組合
dx	x 方向導數的階數。
dy	y 方向導數的階數。
scale	計算出的導數值的選用縮放因子；預設情況下不應用縮放（詳情請參閱 getDerivKernels）。
delta	在將結果儲存到 dst 之前添加的選用 delta 值。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。

參見

cartToPolar

Sobel, Laplacian

sepFilter2D()	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		InputArray	void cv::sepFilter2D,
		InputArray	kernelX,
		Point	anchor = Point(-1,-1),
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	kernelY	cv.sepFilter2D(	) ->	dst

#include <opencv2/imgproc.hpp>

對影像應用可分離線性濾波器。

src, ddepth, kernelX, kernelY[, dst[, anchor[, delta[, borderType]]]]

參數

src	來源影像。
dst	與 src 具有相同大小和通道數的目標影像。
ddepth	此函數將可分離線性濾波器應用於影像。也就是說，首先，src 的每一行都使用一維卷積核 kernelX 進行濾波。然後，結果的每一列都使用一維卷積核 kernelY 進行濾波。最終結果再偏移 delta 後儲存到 dst。
void cv::sepFilter2D	目標影像深度，請參閱 組合
kernelX	用於濾波每行的係數。
anchor	用於濾波每列的係數。
delta	卷積核內的錨點位置。預設值 \((-1,-1)\) 表示錨點位於卷積核中心。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。

參見

在儲存之前添加到濾波結果的值。

Sobel 算子()

void cv::Sobel	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		int	dx,
		int	dy,
		int	ksize = 3,
		double	scale = 1,
		double	delta = 0,
		int	borderType = BORDER_DEFAULT )

Python
	cv.Sobel(	src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

使用擴展的 Sobel 算子計算一階、二階、三階或混合影像導數。

除了一種情況外，在所有情況下都使用 \(\texttt{ksize} \times \texttt{ksize}\) 可分離卷積核來計算導數。當 \(\texttt{ksize = 1}\) 時，使用 \(3 \times 1\) 或 \(1 \times 3\) 卷積核（即不進行高斯平滑）。`ksize = 1` 只能用於一階或二階的 x 或 y 導數。

還有一個特殊值 `ksize = #FILTER_SCHARR (-1)`，它對應於 \(3\times3\) 的 Scharr 濾波器，可能比 \(3\times3\) 的 Sobel 提供更精確的結果。Scharr 光圈為

\[\vecthreethree{-3}{0}{3}{-10}{0}{10}{-3}{0}{3}\]

用於 x 方向導數，或轉置用於 y 方向導數。

此函數透過將影像與適當的卷積核進行卷積來計算影像導數

\[\texttt{dst} = \frac{\partial^{xorder+yorder} \texttt{src}}{\partial x^{xorder} \partial y^{yorder}}\]

Sobel 算子結合了高斯平滑和微分，因此結果或多或少能抵抗雜訊。通常，函數會以 (xorder = 1, yorder = 0, ksize = 3) 或 (xorder = 0, yorder = 1, ksize = 3) 呼叫，以計算一階 x 或 y 影像導數。第一種情況對應的卷積核為

\[\vecthreethree{-1}{0}{1}{-2}{0}{2}{-1}{0}{1}\]

第二種情況對應的卷積核為

\[\vecthreethree{-1}{-2}{-1}{0}{0}{0}{1}{2}{1}\]

參數

src	輸入影像。
dst	與 src 具有相同大小和通道數的輸出影像。
ddepth	輸出影像深度，請參閱 組合；對於 8 位元輸入影像，將導致導數截斷。
dx	x 方向導數的階數。
dy	y 方向導數的階數。
ksize	擴展 Sobel 卷積核的大小；必須是 1, 3, 5 或 7。
scale	計算出的導數值的選用縮放因子；預設情況下不應用縮放（詳情請參閱 getDerivKernels）。
delta	在將結果儲存到 dst 之前添加的選用 delta 值。
borderType	像素外推方法，請參閱 BorderTypes。不支援 BORDER_WRAP。

參見

Scharr, Laplacian, sepFilter2D, filter2D, GaussianBlur, cartToPolar

空間梯度()

void cv::spatialGradient	(	InputArray	src,
		OutputArray	dx,
		OutputArray	dy,
		int	ksize = 3,
		int	borderType = BORDER_DEFAULT )

Python
	cv.spatialGradient(	src[, dx[, dy[, ksize[, borderType]]]]	) ->	dx, dy

#include <opencv2/imgproc.hpp>

使用 Sobel 算子計算 x 和 y 方向的一階影像導數。

等同於呼叫

Sobel( src, dx, CV_16SC1, 1, 0, 3 );
Sobel( src, dy, CV_16SC1, 0, 1, 3 );

參數

src	輸入影像。
dx	具有 x 方向一階導數的輸出影像。
dy	具有 y 方向一階導數的輸出影像。
ksize	Sobel 卷積核的大小。必須是 3。
borderType	像素外推方法，請參閱 BorderTypes。僅支援 BORDER_DEFAULT=BORDER_REFLECT_101 和 BORDER_REPLICATE。

參見

Sobel

平方方框濾波器()

void cv::sqrBoxFilter	(	InputArray	src,
		OutputArray	dst,
		int	ddepth,
		Size	ksize,
		Point	anchor = Point(-1, -1),
		bool	normalize = true,
		int	borderType = BORDER_DEFAULT )

Python
	cv.sqrBoxFilter(	src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]	) ->	dst

#include <opencv2/imgproc.hpp>

計算與濾波器重疊的像素值平方和的正規化結果。

對於來源影像中的每個像素 \( (x, y) \)，函數計算那些與放置在像素 \( (x, y) \) 上的濾波器重疊的鄰近像素值的平方和。

未歸一化的平方方框濾波器可用於計算局部影像統計量，例如像素鄰域周圍的局部變異數和標準差。

參數

src	輸入影像
dst	與 src 具有相同大小和類型的輸出影像
ddepth	輸出影像深度（-1 表示使用 src.depth()）
ksize	卷積核大小
anchor	卷積核錨點。預設值 Point(-1, -1) 表示錨點位於卷積核中心。
normalize	標誌，指定卷積核是否按其面積歸一化。
borderType	用於外推影像外部像素的邊界模式，請參閱 BorderTypes。BORDER_WRAP 不受支援。

參見

boxFilter

堆疊模糊()

void cv::stackBlur	(	InputArray	src,
		OutputArray	dst,
		Size	ksize )

Python
	cv.stackBlur(	src, ksize[, dst]	) ->	dst

#include <opencv2/imgproc.hpp>

使用 stackBlur 模糊影像。

此函數將堆疊模糊應用於影像。堆疊模糊可以產生與高斯模糊相似的結果，並且時間消耗不會隨卷積核大小的增加而增加。它在掃描影像時創建一種移動的顏色堆疊。因此，它只需在堆疊的右側添加一個新的顏色塊，並移除最左側的顏色。堆疊頂層的其餘顏色，取決於它們位於堆疊的右側還是左側，會被添加或減少一格。唯一支援的 borderType 是 BORDER_REPLICATE。原始論文由 Mario Klingemann 提出，可在 https://underdestruction.com/2004/02/25/stackblur-2004 找到。

參數

src	輸入影像。通道數可以是任意值，但深度應為 CV_8U、CV_16U、CV_16S 或 CV_32F 之一。
dst	與 src 具有相同大小和類型的輸出影像。
ksize	堆疊模糊卷積核大小。ksize.width 和 ksize.height 可以不同，但它們都必須是正奇數。