python - 如何在 OpenCV 中进行卷积

Question

我正在尝试使用 filter2D 方法在 OpenCV 中查找卷积，但结果不正确

import cv2 as cv
import scipy.signal as sig
import numpy as np
b=np.asarray([[1,2,0,1,2],
              [2,3,1,1,2],
              [1,4,2,2,0],
              [3,2,3,3,0],
              [1,0,0,2,1]
              ],dtype=np.uint8)

w=np.asarray([[1,1,1],
              [1,1,2],
              [2,1,1]],dtype=np.uint8)
w_r=np.asarray([[1,1,1],
                [2,1,1],
                [1,1,1]
                ],dtype=np.uint8)
print(sig.convolve2d(b,w,mode="same"))
kernel_r=np.asarray([[1,1,1],[1,1,2],[2,1,1]])
print("-------")
print(cv.filter2D(b,-1,w_r))

第一个输出是由正确的 scipy.signal.convolve2D 生成的。第二个输出是由 OpenCV filter2D 生成的，这是不正确的。我怎样才能得到正确的结果。

[[ 8 10 10  7  7]
 [15 18 20 14  9]
 [18 23 26 18 10]
 [15 21 22 16 11]
 [ 8 13 13  9  8]]
-------
[[23 16 15 11 13]
 [25 18 19 12 13]
 [28 22 25 16 16]
 [19 19 20 16 18]
 [15 18 18 15 19]]

Answer 1

我假设，您希望在您的 cv.filter2d 调用中使用一些旋转内核 w_r，正如 filter2d 中提到的那样文档:

If you need a real convolution, flip the kernel using flip and [...]

所以，第一个问题是，您手动设置的 w_r 不是 w 的正确翻转版本，您在那里忘记了 2 .

第二个问题来自，如何scipy.sig.convolve2d处理边界:

boundary : str {‘fill’, ‘wrap’, ‘symm’}, optional

A flag indicating how to handle boundaries:

fill

pad input arrays with fillvalue. (default)

从卷积后得到的值来看，似乎边界被填充了0。 OpenCV 的 filter2d 有一个类似的选项，请参阅 BorderTypes ，特别是 cv.BORDER_CONSTANT。从测试看来，0 是这里的默认值!？ (目前找不到任何相关文档。)

因此，更正后的代码可能如下所示(此处省略了不必要的内容):

import cv2 as cv
import scipy.signal as sig
import numpy as np

b=np.asarray([[1,2,0,1,2],
              [2,3,1,1,2],
              [1,4,2,2,0],
              [3,2,3,3,0],
              [1,0,0,2,1]
              ], dtype=np.uint8)

w=np.asarray([[1,1,1],
              [1,1,2],
              [2,1,1]], dtype=np.uint8)

print(sig.convolve2d(b, w, mode="same"))
print("-------")
print(cv.filter2D(b, -1, cv.flip(w, -1), borderType=cv.BORDER_CONSTANT))

现在，两个输出显示相同的结果:

[[ 8 10 10  7  7]
 [15 18 20 14  9]
 [18 23 26 18 10]
 [15 21 22 16 11]
 [ 8 13 13  9  8]]
-------
[[ 8 10 10  7  7]
 [15 18 20 14  9]
 [18 23 26 18 10]
 [15 21 22 16 11]
 [ 8 13 13  9  8]]

希望对您有所帮助!