图像处理之理解卷积

图像处理之理解卷积
一：什么是卷积
离散卷积的数学公式可以表示为如下形式：
f(x) = - 其中C(k)代表卷积操作数，g(i)代表样本数据, f(x)代表输出结果。
举例如下：
假设g(i)是一个一维的函数，而且代表的样本数为G = [1,2,3,4,5,6,7,8,9]
假设C(k)是一个一维的卷积操作数, 操作数为C=[-1,0,1]
则输出结果f(x)可以表示为 F=[1,2,2,2,2,2,2,2,1] //边界数据未处理

以上只是一维的情况下，当对一幅二维数字图像加以卷积时，其数学意义可以解释如下：
源图像是作为输入源数据，处理以后要的图像是卷积输出结果，卷积操作数作为Filter
在XY两个方向上对源图像的每个像素点实施卷积操作。如图所示：

粉红色的方格每次在X/Y前进一个像素方格，就会产生一个新的输出像素，图中深蓝色的代
表要输出的像素方格，走完全部的像素方格，就得到了所有输出像素。

图中，粉红色的矩阵表示卷积操作数矩阵，黑色表示源图像– 每个方格代表一个像素点。

二：卷积在数字图像处理中应用
一副数字图像可以看作一个二维空间的离散函数可以表示为f(x, y), 假设有对于二维卷积操
作函数C(u, v) ，则会产生输出图像g(x, y) = f(x, y) *C(u,v), 利用卷积可以实现对图像模糊处理，边缘检测，产生轧花效果的图像。



一个简单的数字图像卷积处理流程可以如下：
1. 读取源图像像素
2. 应用卷积操作数矩阵产生目标图像
3. 对目标图像进行归一化处理
4. 处理边界像素
三：一个纯Java的卷积模糊图像效果



四：关键代码解释

完成对像素点RGB颜色的卷积计算代码如下：
// red color
out3DData[row][col][1] =in3DData[row][col][1] + in3DData[row-1][col][1] + in3DData[row+1][col][1] + in3DData[row][col-1][1] + in3DData[row-1][col-1][1] + in3DData[row+1][col-1][1] + in3DData[row][col+1][1] + in3DData[row-1][col+1][1] + in3DData[row+1][col+1][1]; // green color out3DData[row][col][2] =in3DData[row][col][2] + in3DData[row-1][col][2] + in3DData[row+1][col][2] + in3DData[row][col-1][2] + in3DData[row-1][col-1][2] + in3DData[row+1][col-1][2] + in3DData[row][col+1][2] + in3DData[row-1][col+1][2] + in3DData[row+1][col+1][2]; // blue color out3DData[row][col][3] =in3DData[row][col][3] + in3DData[row-1][col][3] + in3DData[row+1][col][3] + in3DData[row][col-1][3] + in3DData[row-1][col-1][3] + in3DData[row+1][col-1][3] + in3DData[row][col+1][3] + in3DData[row-1][col+1][3] + in3DData[row+1][col+1][3];

计算归一化因子以及对卷积结果归一化处理的代码如下：
// find the peak data frominput and output pixel data. int inpeak = 0; int outPeak = 0; for(int row=0; row<srcH; row++) { for(int col=0; col<srcW; col++) { if(inpeak < in3DData[row][col][1]) { inpeak = in3DData[row][col][1]; } if(inpeak < in3DData[row][col][2]) { inpeak = in3DData[row][col][2]; } if(inpeak < in3DData[row][col][3]) { inpeak = in3DData[row][col][3]; } if(outPeak < out3DData[row][col][1]) { outPeak = out3DData[row][col][1]; } if(outPeak < out3DData[row][col][2]) { outPeak = out3DData[row][col][2]; } if(outPeak < out3DData[row][col][3]) { outPeak = out3DData[row][col][3]; } } }
// normalization double outputScale = ((double) inpeak) / ((double)outPeak); for(int row=0; row<srcH; row++) { for(int col=0; col<srcW; col++) { out3DData[row][col][1] = (int)(outputScale * out3DData[row][col][1]); out3DData[row][col][2] = (int)(outputScale * out3DData[row][col][2]); out3DData[row][col][3] = (int)(outputScale * out3DData[row][col][3]); } }

五：本文没有提及的内容 –边界像素处理
没有处理边缘像素，对边缘像素的处理，有两个可以参考的方法
其一是直接填充法– 超出边界部分的以边界像素填充。
其二是线性插值法– 超出边界部分的以 i/row的像素填充。

本文出自 “流浪的鱼” 博客，请务必保留此出处http://gloomyfish.blog.51cto.com/8837804/1400411