原文转自：https://www.cnblogs.com/lfri/p/10599420.html
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：
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。