使用自定义内核对图像进行卷积。该功能将任意线性滤波器应用于图像。支持就地操作。当光圈部分位于图像外部时，该功能会根据指定的边框模式插入异常像素值。
语法
函数原型：
dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
参数：
参数
描述
src
原图像
dst
目标图像，与原图像尺寸和通过数相同
ddepth
目标图像的所需深度
kernel
卷积核(或相当于相关核)，单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。
anchor
内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值(-1，-1)表示锚位于内核中心。
detal
在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
borderType
像素外推法，参见BorderTypes
该函数实际计算的是相关性，而不是卷积
在内核足够大(~11x11或者更大)的时候，该函数使用DFT算法，对于小内核则直接计算。
也可见,anchor相当于坐标轴平移。
其中ddepth表示目标图像的所需深度，它包含有关图像中存储的数据类型的信息，可以是unsigned char(CV_8U)，signed char(CV_8S)，unsigned short(CV_16U)等等...
Input depth (src.depth())Output depth (ddepth)
CV_8U
-1/CV_16S/CV_32F/CV_64F
CV_16U/CV_16S
-1/CV_32F/CV_64F
CV_32F
-1/CV_32F/CV_64F
CV_64F
-1/CV_64F
Note：当ddepth=-1时，表示输出图像与原图像有相同的深度。
例子
图像内核是一个小矩阵，用于应用您可能在Photoshop或Gimp中找到的效果，例如模糊，锐化，轮廓或浮雕。它们还用于机器学习中的“特征提取”，这是一种用于确定图像最重要部分的技术。在这种情况下，该过程更普遍地称为“卷积”(参见：卷积神经网络)。
有许多有趣的内核，下面一一介绍：
1、模糊(blur)
模糊内核消除了相邻像素值之间的差异。内核如下：
0.0625
0.125
0.0625
0.125
0.25
0.125
0.0625
0.125
0.125
代码：
importcv2importnumpy as npdefsolve():
src= cv2.imread("./Pictures/car001.jpg")if src isNone:return -1kernel=np.array((
[0.0625, 0.125, 0.0625],
[0.125, 0.25, 0.125],
[0.0625, 0.125, 0.0625]), dtype="float32")
dst= cv2.filter2D(src, -1, kernel)
htich=np.hstack((src, dst))
cv2.imwrite("./Pictures/car.jpg", htich)
cv2.imshow('merged_img', htich)
cv2.waitKey(0)return0if __name__ == "__main__":
solve()效果：
2、索贝尔(sobel)
sobel内核用于仅显示特定方向上相邻像素值的差异，分为left sobel、right sobel(检测梯度的水平变化)、top sobel、buttom sobel(检测梯度的垂直变化)。
例如，buttom sobel
-1
-2
-1
0
0
0
1
2
1
代码与上面类似，只需修改krenel的值。
3、浮雕(emboss)
通过强调像素的差在给定方向的Givens深度的错觉。在这种情况下，沿着从左上到右下的直线的方向。
-2
-1
0
-1
1
1
0
1
2
效果：
4、大纲(outline)
一个轮廓内核(也称为“边缘”的内核)用于突出显示的像素值大的差异。具有接近相同强度的相邻像素旁边的像素在新图像中将显示为黑色，而与强烈不同的相邻像素相邻的像素将显示为白色。
-1
-1
-1
-1
8
-1
-1
-1
-1
效果：
5、锐化(sharpen)
该锐化内核强调在相邻的像素值的差异。这使图像看起来更生动。
0
-1
0
-1
5
-1
0
-1
0
效果：
6、拉普拉斯算子(laplacian operator)
拉普拉斯算子可以用于边缘检测，对于检测图像中的模糊也非常有用。
0
1
0
1
-4
1
0
1
0
效果：
7、分身(identity)
这个非常简单，就是原图(不考虑边界时)，How boring!
0
0
0
0
1
0
0
0
0
拓展部分
正如您在本博文中所收集的那样，我们必须手动定义每个内核以应用各种操作，例如平滑，锐化和边缘检测。
如何定义内核达到你想要的效果，这并不是一件简单的事情。
现在有一种神经网络——CNN，通过应用卷积滤波器，非线性激活函数，汇集和反向传播，CNN能够学习过滤器(的权重)，可以检测网络较低层中的边缘和类似blob的结构 - 然后使用边缘和结构作为构建块，最终在网络的更深层中检测更高级别的对象(即，面部，猫，狗，杯等)。这样就不必手动定义过滤器了。
