绪言

大家好哇，这里是第二篇的OpenCV学习日记，和上一篇是一脉相承的。

图像基本要素简介

图像有几个要素，像素、通道（色彩空间）是我们要研究基本的两个要素。
像素，也就是图像的最基本的单位，我们知道，图像是用矩阵存储在计算机当中的，而像素则是图像矩阵中最基本的矩阵单位。像素由通道的值决定颜色，因此，通道才是最基本的要素。而通道组成了色彩空间，下面我们来看一下常用的色彩空间：

1.灰度色彩空间

也就是我们常说的灰度图，灰度图的一大特点就是它所需的存储空间小（因为抛弃了色彩信息，大小直接就砍到1/3）。而我们常说的人脸识别，是不需要彩色信息的（因为我们只需要抽取基本特征）。

2.BGR色彩空间

也就是我们在日常生活中最常见到的三原色图。每一个像素点都由三原色的比例调配构成。而在OpenCV中使用BGR而不是使用我们最常用的RGB色彩空间。

3.HSV色彩空间

也就是在PS中最常用的图像三要素：色调、饱和度、亮度。

数学知识简介

我们知道，图像处理最需要的，就是卷积。而卷积，自然而然是数学知识。本篇将会介绍傅里叶变换和卷积操作，以确保读者可以有足够的数学储备。

图像处理中的数学

连续傅里叶变换

在用数学的严谨语言说明什么是傅里叶变换之前，我们先来用一个例子来简单地阐述一下傅里叶变换。
假设我们在听交响乐。并假设大提琴正在拉着A调（440Hz）基频的音调，这里就产生了一个频率440Hz的正弦波。（下面的图像没有按实际比例绘图，仅为说明）
sin(x)的图像
然后，F调（880Hz）的钢琴声传来：
sin(2x)的图像
你的耳朵会自动进行傅里叶变换，你会听到这两个声音叠加起来的声波（正弦波的叠加是线性的）：
sin(x)+sin(2x)的图像
所以你会听到一个非纯音，这个音是由这两个音叠加而成的。
好，我们管这个叫傅里叶级数。傅里叶级数的表达式为：
$f(x)=\frac{a_0}{2}+\sum_{n=0}^{\infty}(a_ncosnx+b_nsinnx)$
其中
$a_0=\frac{1}{\pi}\int_{-\pi}^{\pi}f(x)cosnxdx$

$b_0=\frac{1}{\pi}\int_{-\pi}^{\pi}f(x)sinnxdx$
是否取等号要看原函数是否满足狄利克雷条件。
好，傅里叶级数介绍完了。我们下列来简述傅里叶变换。
傅里叶变换，是将信号从时域变为频域的一种变换算子。
有些周期信号，在时域研究是没有意义的，或者说是看不出来任何特征的。那么就需要转换到频域去，研究关于频率的特征。我们先摆出傅里叶变换的表达式：
$F(\omega)=\int_{-\infty}^{\infty}f(t)e^{-i\omega t}dt$
该式子的推出要使用傅氏积分的定义和证明，这里我们就不展开讨论了。
傅里叶变换的通俗解释这个视频我觉得很好：
【官方双语】形象展示傅里叶变换
那么，傅里叶变换与傅里叶级数有什么关系呢？
连续形式的傅里叶变换是傅里叶级数的推广，积分是一种极限形式的求和算子。而我们知道，傅里叶级数就是一系列求和的逼近过程。
傅里叶级数与傅立叶变换 | 熟肉

离散时间傅里叶变换

我们知道，很多信号在时间上是离散的，不连续的。对于离散信号来说，我们有离散时间傅里叶变换。
设 $\{x_n\}$ 是一个定义域为 $Z$ 的数列（ $n\in (-\infty,\infty))$ ，则其离散时间傅里叶变换（DTFT）定义为：
$X(\omega)=\sum_{n=-\infty}^{\infty}x_ne^{-i\omega n}$
DTFT在时域上离散，在频域上是周期的。对于一般的离散时间信号，我们不直接使用DTFT，我们使用FFT（快速傅里叶变换）在计算机上面实现。

离散傅里叶变换

在计算机中，我们使用DFT（离散傅里叶变换）作为处理离散信号的原理：
对于序列 $\{x_n\}_{n=0}^{N-1}$ 来说，它的DFT为：
$X[k]=\sum_{n=0}^{N-1}x_ne^{-i2\pi kn/N}$

傅里叶逆变换

我们称
$f(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}F(\omega)e^{i\omega t}d\omega$
为傅里叶变换的逆变换，我们可以通过这个公式，来求出卷积后函数的表达式。

卷积

卷积是泛函分析里的概念，要求读者需要有实变函数的基础知识。如果没有，就暂且听一下吧。
卷积，我们可以把它看作滑动平均。
设： $f(x)$ 、 $g(x)$ 是R1上的两个可积函数，我们设积分：
$\int_{-\infty}^{\infty}f(\tau)g(x-\tau)d\tau$
为新函数的表达式，我们称这个新函数为这两个函数的卷积。可以证明，几乎对于所有的实数 $x$ ，该积分都是存在的。记作： $h(x)=(f*g)(x)$
可以证明： $(f*g)(x)=(g*f)(x)$
那么为什么要提卷积和傅里叶变换呢？
是因为函数卷积的傅里叶变换是函数傅里叶变换的乘积，所以要介绍傅里叶变换。
我们设 $F$ 为傅里叶变换算子，则有
$F(g(x)*f(x))=F(g(x))F(f(x))$
其中 $g(x)*f(x)$ 为 $g$ 与 $f$ 的卷积
这样可以极大地简化卷积计算，而卷积计算是图像处理的基础，是滤波器的主要原理。

滤波器

简介

滤波器是一种卷积操作，它通过一种卷积核（convolution kernel）来对对应的每个图像像素矩阵进行卷积操作，来得到一幅滤波后的图像。
以下这段文字可以形象地阐述kernel的概念：
核是一组权重的集合，它会应用在图像的每一个区域，生成一个新的像素，比如大小为7为核意味着每49个原图像的像素生成一个新图像的像素，可以把核看作一块覆盖在原图像可移动的毛玻璃片，玻璃片覆盖区域的光线会根据毛玻璃的性质混合之后透出来。

高通滤波器

高通滤波器，是指检测图像的某个区域，然后根据像素与周围像素的亮度差值来提升该像素亮度的滤波器。它的特点是，中间权重大，邻近权重小甚至为负，这样可以削弱邻近的亮度并提升自身像素点的亮度。

# 高通滤波器
import cv2
import numpy as np
from scipy import ndimage
kernel_3x3=np.array([[-1,-1,-1],
                     [-1,8,-1],
                     [-1,-1,-1]])
kernel_5x5=np.array([[-1,-1,-1,-1,-1],
                     [-1,1,2,1,-1],
                     [-1,2,4,2,-1],
                     [-1,1,2,1,-1],
                     [-1,-1,-1,-1,-1]])
//开始滤波
img=cv2.imread('color_small.jpg',0)
k3=ndimage.convolve(img,kernel_3x3)//卷积
k5=ndimage.convolve(img,kernel_5x5)
//高斯锐化（高通滤波器）
blurred=cv2.GaussianBlur(img,(11,11),0)
g_hpf=img-blurred
cv2.imshow("3x3",k3)
cv2.imshow("5x5",k5)
cv2.imshow("g_hpf",g_hpf)
cv2.waitKey()
cv2.destroyAllWindows()

执行结果如下：
这里写图片描述
（从左到右依次为原图，3x3滤波，5x5滤波，高斯滤波）
我们可以看到，高斯核锐化明显地锐化了图像轮廓以及文字边缘。我们可以猜想，高斯滤波是拿来勾勒图像轮廓线条的一种强有力的滤波器。
高斯滤波器的kernel满足高斯函数（也就是我们常说的正态分布）。

低通滤波器

低通滤波器，作用则与高通滤波器相反，它主要用于平滑该像素的亮度，用于去噪和模糊化。高斯模糊是最常用的低通滤波器，它是一个削弱高频信号强度的滤波器。高斯模糊将会在后面介绍到。

OpenCV学习日记（2）

绪言