使用自定義內核對圖像進行卷積。該功能將任意線性濾波器應用於圖像。支持就地操作。當光圈部分位於圖像外部時，該功能會根據指定的邊框模式插入異常像素值。
語法
函數原型：
dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
參數：
| 參數 | 描述 |
| src | 原圖像 |
| dst | 目標圖像，與原圖像尺寸和通過數相同 |
| ddepth | 目標圖像的所需深度 |
| kernel | 卷積核（或相當於相關核），單通道浮點矩陣;如果要將不同的內核應用於不同的通道，請使用拆分將圖像拆分為單獨的顏色平面，然后單獨處理它們。 |
| anchor | 內核的錨點，指示內核中過濾點的相對位置;錨應位於內核中;默認值（-1，-1）表示錨位於內核中心。 |
| detal | 在將它們存儲在dst中之前，將可選值添加到已過濾的像素中。類似於偏置。 |
| borderType | 像素外推法，參見BorderTypes |
該函數實際計算的是相關性，而不是卷積
$$\texttt{dst} (x,y) = \sum _{ \stackrel{0\leq x' < \texttt{kernel.cols},}{0\leq y' < \texttt{kernel.rows}} } \texttt{kernel} (x',y')* \texttt{src} (x+x'- \texttt{anchor.x} ,y+y'- \texttt{anchor.y} )$$
在內核足夠大（~11x11或者更大）的時候，該函數使用DFT算法，對於小內核則直接計算。
也可見,anchor相當於坐標軸平移。
其中ddepth表示目標圖像的所需深度，它包含有關圖像中存儲的數據類型的信息，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：當ddepth=-1時，表示輸出圖像與原圖像有相同的深度。
例子
圖像內核是一個小矩陣，用於應用您可能在Photoshop或Gimp中找到的效果，例如模糊，銳化，輪廓或浮雕。它們還用於機器學習中的“特征提取”，這是一種用於確定圖像最重要部分的技術。在這種情況下，該過程更普遍地稱為“卷積”（參見：卷積神經網絡）。
有許多有趣的內核，下面一一介紹：
1、模糊（blur）
模糊內核消除了相鄰像素值之間的差異。內核如下：
| 0.0625 | 0.125 | 0.0625 |
| 0.125 | 0.25 | 0.125 |
| 0.0625 | 0.125 | 0.125 |
代碼：
import cv2 import numpy as np def solve(): src = cv2.imread("./Pictures/car001.jpg") if src is None: return -1 kernel = 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) return 0 if __name__ == "__main__": solve()
效果：
2、索貝爾（sobel）
sobel內核用於僅顯示特定方向上相鄰像素值的差異，分為left sobel、right sobel（檢測梯度的水平變化）、top sobel、buttom sobel（檢測梯度的垂直變化）。
例如，buttom sobel
| -1 | -2 | -1 |
| 0 | 0 | 0 |
| 1 | 2 | 1 |
代碼與上面類似，只需修改krenel的值。
3、浮雕（emboss）
通過強調像素的差在給定方向的Givens深度的錯覺。在這種情況下，沿着從左上到右下的直線的方向。
| -2 | -1 | 0 |
| -1 | 1 | 1 |
| 0 | 1 | 2 |
效果：
4、大綱（outline）
一個輪廓內核（也稱為“邊緣”的內核）用於突出顯示的像素值大的差異。具有接近相同強度的相鄰像素旁邊的像素在新圖像中將顯示為黑色，而與強烈不同的相鄰像素相鄰的像素將顯示為白色。
| -1 | -1 | -1 |
| -1 | 8 | -1 |
| -1 | -1 | -1 |
效果：
5、銳化（sharpen）
該銳化內核強調在相鄰的像素值的差異。這使圖像看起來更生動。
| 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於邊緣檢測，對於檢測圖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）
這個非常簡單，就是原圖（不考慮邊界時），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樣，我們必須 手動定義每個內核以應用各種操作，例如平滑，銳化和邊緣檢測。
如何定義內核達到你想要的效果，這並不是一件簡單的事情。
現在有一種神經網絡——CNN，通過應用卷積濾波器，非線性激活函數，匯集和反向傳播，CNN能夠學習過濾器（的權重），可以檢測網絡較低層中的邊緣和類似blob的結構 - 然后使用邊緣和結構作為構建塊，最終在網絡的更深層中檢測更高級別的對象（即，面部，貓，狗，杯等）。這樣就不必手動定義過濾器了。
參考鏈接：
1、Depth combination https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#filter_depths
2、cv2.filter2d（）opencv中ddepth參數的解釋？https://stackoverflow.com/questions/43392956/explanation-for-ddepth-parameter-in-cv2-filter2d-opencv
3、Image-kernels Demo http://setosa.io/ev/image-kernels/