计算机视觉项目实战（一）、图像滤波和图像混合 Image Filtering and Hybrid Images

项目要求

1. 通过滤波分离图像的高频和低频。
2. 将不同图像的高频和低频合并以创建相关尺度的图像。
   

项目原理

1. 图像的频率:
   频率是灰度值变化剧烈程度的指标，是灰度在平面空间上的梯度。

   图像中的低频信号和高频信号也叫做低频分量和高频分量。

2. 低频:
   低频就是颜色缓慢地变化，也就是灰度缓慢地变化，就代表着那是连续渐变的一块区域，这部分就是低频。 对于一幅图像来说，除去高频的就是低频了，也就是边缘以内的内容为低频，而边缘内的内容就是图像的大部分信息，即图像的大致概貌和轮廓，是图像的近似信息。

   所以说低频分量主要对整幅图像的强度的综合度量。

3. 高频:
   反过来，高频就是频率变化快。当相邻区域之间灰度相差很大，这就是变化得快。图像中，一个影像与背景的边缘部位，通常会有明显的差别，也就是说变化那条边线那里，灰度变化很快，也即是变化频率高的部位。因此，图像边缘的灰度值变化快，就对应着频率高，即高频显示图像边缘。图像的细节处也是属于灰度值急剧变化的区域，正是因为灰度值的急剧变化，才会出现细节。

   所以说高频分量主要是对图像边缘和轮廓的度量。

   另外噪声（即噪点）也是这样，当一个像素所在的位置与正常的点颜色不一样（该像素点灰度值明显不一样，也就是灰度有快速地变化）时可视为噪声。

主要函数

my_imfilter()

函数解释

my_imfilter函数目的是实现类似于scipy.ndimage.filters.correlate函数的功能。在对于彩色图像（即三通道RGB图像）进行处理时，应该分别对每一个通道分别进行滤波处理。

输入参数

1. 待处理图像（255 * 255 * 3）
2. 滤波器（3 * 3）

输出参数

滤波处理后的图像（255 * 255 * 3）

主要实现步骤

• 通过numpy的shape函数得图像和滤波器的尺寸（长和宽）

  	im_dim=image.shape
  	flt_dim=imfilter.shape
  	img_dim1=im_dim[0]
  	img_dim2=im_dim[1]
  	flt_dim1=flt_dim[0]
  	flt_dim2=flt_dim[1]
  

  • 为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失，常常采用图像边缘填充技术，即在图像四周边缘填充0，使得卷积运算后图像大小不会缩小，同时也不会丢失边缘和角落的信息。其中，长度和宽度的增加量取决于过滤器的大小

  	pad_dim1=int<