卷积的几个基本概念：
- 卷积核的大小：卷积核一般为奇数，如3*3，5*5,7*7等。在深度学习中卷积核越大，看到的信息越多，提取的特征越好，同时计算量也就越大。
- 锚点：简单说就是图片的正中心
- 边界扩充：当卷积核大于1且不进行边界扩充，输出尺寸相应缩小。当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将于输入相等。
- 步长
N=(W-F+2P)/S+1
N是输出图像大小
W是原图大小；F是卷积核大小；P是扩充尺寸
S是步长
低通滤波与高通滤波的概念
低通滤波指低于某个阈值之下的可以通过。低通滤波可以去除噪音或平滑图像。
高通滤波指高于某个阈值之上的可以通过。高通滤波可以帮助查找图像边缘。
图像卷积api：filter2D(src,ddepth,kernel,anchor,delta,borderType)
src：对哪张图片进行卷积
ddepth：经过卷积之后的图片位深（一般设置成-1，原始图片位深是多少，生成的新图就是多少）
kernel：卷积核
anchor：锚点（可以不设置，不设置会根据卷积核寻找锚点）
delta：卷积之后得到的元素加一个delta值，想加的话在这里设置
borderType：边界类型
方波滤波与均值滤波
如果我们每次都自己创造卷积核，这个过程还是非常麻烦的，有很多的滤波器都是固定的，比如方盒滤波和均值滤波，它们的核都是固定的，opencv给我们提供这些滤波器的api我们只需要调用即可。
方盒滤波公式：
对于不同的情况，a是取不同的值。方盒滤波有一个参数normalize。
normalize=true时，a=1/(W*H)，就是一个均值滤波
normalize=false时，a=1。
当normalize==true时，方盒滤波==均值滤波。
方盒滤波api：boxFilter(src,ddpth,ksize,anchor,normalize,borderType)
Src：具体对哪个图像进行卷积
Ddpth：输出图像的位深
Ksize：卷积核的大小
Anchor：锚点，默认值都是（-1，-1），取核的中心点，所以不用特别设置，保持默认即可
borderType：输出的边界类型
均值滤波api：blur(src,ksize,anchor,borderType)
import cv2
import numpy as np
# 导入一张图片
img=cv2.imread('你的图片')
# 图片卷积，创造卷积核
dst=cv2.filter2D(img,-1,np.ones((5,5),np.float32)/25)
# 均值滤波，5*5的均值滤波
dst1=cv2.blur(img,(5,5))
# 图片展示
cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('dst1',dst1)
cv2.waitKey(0)
