卷积操作是图像变换的基础。
抽象的说，卷积这个术语意味着我们对图像的每一个部分所做的操作。从这个意义上讲，我们所熟悉的很多图像变换操作可以被理解成普通卷积的特殊情况。一个特殊的卷积所实现的功能是由所用的卷积核的形式决定的。这个核本质上是一个大小固定，由数值参数构成的数组，数组的标定点通常位于数组的中心。数组的大小被称为核支撑。单就技术而言，核支撑实际上仅仅由核数组的非零部分组成。下面的卷积示例描述了以数组中心为标定点的3×3卷积核。若要计算一个特定点的卷积值，首先将核的标定点定位到图像的第一个像素点，核的其余元素覆盖图像中其相对应的局部像素点。对于每一个核点，我们可以得到这个点的核的值以及图像中相应图像点的值。将这些值相乘并求和，并将这个 结果放置在与输入图像标定点所相对应的位置。通过在整个图像上扫描卷积核，对图像的每个点重复此操作。 卷积示例： 3 * 3 的像素区域R与卷积核G的卷积运算： R5(中心像素)=R1G1 + R2G2 + R3G3 + R4G4 + R5G5 + R6G6 + R7G7 + R8G8 + R9G9 实现：
#include<opencv2\opencv.hpp> #include<opencv2/imgproc/imgproc.hpp> #include<iostream> using namespace std; using namespace cv; //kernel(-1,-2,1;4,-2,-1;4,-2,2); void Sharpen(const Mat& myImage, Mat& Result) { CV_Assert(myImage.depth() == CV_8U); // accept only uchar images // CV_Assert 是cv定义的断言格式，如果条件不符合，会中断程序，抛出异常 const int nChannels = myImage.channels(); Result.create(myImage.size(), myImage.type()); for (int j = 1; j < myImage.rows - 1; ++j) // 第一行和最后一行无法计算 { const uchar* previous = myImage.ptr<uchar>(j - 1); // 上一行数据的指针 const uchar* current = myImage.ptr<uchar>(j); // 当前行数据的指针 const uchar* next = myImage.ptr<uchar>(j + 1); // 下一行数据的指针 uchar* output = Result.ptr<uchar>(j); // 输出图像当前列数据的指针 for (int i = nChannels; i < nChannels*(myImage.cols - 1); ++i) // 同理，忽略第一列和最后一列像素 { *output++ = saturate_cast<uchar>(-2 * current[i] +4*current[i - nChannels] - current[i + nChannels] - 2*previous[i] - 2*next[i])-previous[i-nChannels]+previous[i+nChannels]+4*next[i-nChannels]+2*next[i+nChannels]; // 计算新值 } } // 将边界设为0 Result.row(0).setTo(Scalar(0)); Result.row(Result.rows - 1).setTo(Scalar(0)); Result.col(0).setTo(Scalar(0)); Result.col(Result.cols - 1).setTo(Scalar(0)); } int main(){ Mat img = imread("F:\\opencv\\image_video_data\\cartoon.png"); //cvtColor(img,img,CV_BGR2GRAY); Mat src; Sharpen(img, src); imshow("img", img); imshow("src",src); waitKey(0); return 0; }效果：
谢谢http://blog.csdn.net/computerme/article/details/40985119提供了参考。
