Chuyện gì đang xảy ra?
Hãy tưởng tượng một ô cửa sổ 3×3 trượt qua từng pixel. Tại mỗi vị trí, ta lấy 9 pixel dưới cửa sổ, nhân với 9 trọng số trong kernel, rồi cộng lại. Kết quả là pixel mới. Làm vậy cho toàn ảnh, ta được một ảnh đã lọc.
Kernel trung bình cộng đều các pixel lân cận, nên làm mờ chi tiết. Kernel Gaussian đặt trọng số lớn ở giữa và giảm dần ra biên, cho kết quả mềm và tự nhiên hơn. Kernel làm nét lại đặt trọng số dương lớn ở giữa và trọng số âm ở bốn hướng — nó khuếch đại khác biệt giữa pixel trung tâm và vùng quanh.
Không phải bộ lọc nào cũng là tích chập tuyến tính. Median lấy trung vị trong cửa sổ, rất hiệu quả với nhiễu muối tiêu. Bilateral lọc theo cả khoảng cách không gian và khoảng cách màu, nên làm mờ vùng đồng nhất nhưng giữ biên. Hai bộ lọc này không thể biểu diễn bằng một kernel cố định.
Một điểm tinh tế: tích chập toán học lật kernel 180°, còn cv2.filter2D thực hiện tương quan (không lật). Với kernel đối xứng như Gaussian hay mean, hai phép cho cùng kết quả; với kernel bất đối xứng, chúng khác nhau.
Thuật toán không “hiểu” ảnh. Nó chỉ tìm một cách biến đổi có thể kiểm tra được.
Viết lại bằng toán.
Không cần thuộc lòng. Hãy đọc công thức như một câu mô tả: đại lượng nào được cộng, cái gì bị chuẩn hoá, và điều kiện nào khiến nó thất bại.
Tích chập rời rạc 2D
- f: ảnh đầu vào
- g: kernel
- a, b: bán kính kernel
Trong thực tế OpenCV dùng tương quan cho filter2D; kernel đối xứng không bị ảnh hưởng.
Kernel Gaussian 2D
- σ: độ rộng phân bố
- Kernel càng lớn/σ càng lớn: mờ càng mạnh
Gaussian tách được thành hai kernel 1D, nên tính nhanh hơn nhiều.
Luồng xử lý bằng lời.
-
01
Chọn kernel
Xác định mục tiêu: làm mờ, làm nét, emboss hay đạo hàm. Kernel phải có kích thước lẻ để có tâm.
-
02
Chuẩn hoá kernel
Với kernel làm mờ, tổng trọng số nên bằng 1 để giữ độ sáng. Kernel làm nét thường có tổng bằng 1 nhưng có trọng số âm.
-
03
Chọn border
OpenCV mặc định dùng reflection. Với ảnh nhỏ hoặc vật thể sát biên, border ảnh hưởng rõ.
-
04
Áp dụng
Dùng
cv2.filter2D,GaussianBlur,medianBlurhoặcbilateralFilter. -
05
Đo tác động
So sánh ảnh gốc và ảnh lọc bằng PSNR/mean absolute difference; kiểm tra biên có bị nhoè không.
Núm vặn và cạm bẫy.
| Tham số | Ý nghĩa | Khoảng |
|---|---|---|
filter | Loại bộ lọc không gian. | mean / gaussian / sharpen / emboss / median / bilateral |
ksize | Kích thước cửa sổ; càng lớn càng mờ nhưng chậm. | 3…15, lẻ |
sigma | Độ lệch chuẩn Gaussian; 0 = tự suy từ ksize. | 0…10 |
strength | Độ mạnh của kernel làm nét. | 0.1…2.0 |
! Cạm bẫy thường gặp
- Kernel làm mờ không chuẩn hoá làm ảnh sáng/tối đi bất thường.
- Kernel chẵn không có tâm rõ ràng; hãy dùng kích thước lẻ.
- Gaussian sigma quá lớn làm mất chi tiết nhỏ; đừng dùng blur để che lỗi dữ liệu.
- Median/Bilateral không phải tích chập tuyến tính; đừng cố biểu diễn chúng bằng một kernel.
Mã nguồn tối giản, không phải giả mã.
import cv2
import numpy as np
img = cv2.imread("camera.jpg")
# Làm mờ
gauss = cv2.GaussianBlur(img, (9, 9), sigmaX=2)
median = cv2.medianBlur(img, 5)
# Làm nét bằng kernel 3x3
kernel = np.array([[0, -1, 0],
[-1, 5, -1],
[0, -1, 0]], dtype=np.float32)
sharp = cv2.filter2D(img, -1, kernel)
# Bilateral: giữ biên, làm mờ vùng đồng nhất
bilateral = cv2.bilateralFilter(img, d=7, sigmaColor=60, sigmaSpace=60)
print("kernel sum:", kernel.sum()) # 1.0
Điều chỉnh tham số.
Chọn ảnh mẫu hoặc tải ảnh của bạn lên, chỉnh tham số, rồi chạy. Kết quả, các bước trung gian và nhật ký được cập nhật ngay tại đây.
$ bài thử chưa chạy $ chọn ảnh và bấm “Chạy thử”
Dùng nó ở đâu?
Khử nhiễu trước khi phát hiện biên hoặc threshold.
Làm nét ảnh sau khi resize hoặc sau khi nén.
Bilateral filter cho làm đẹp ảnh, giữ cạnh và vùng da.