卷积函数—ArcGIS Pro

概览

卷积函数可对影像中的像素值进行过滤，可用于对影像进行锐化、模糊、边缘检测或其他基于核的增强处理。滤波器通过消除不必要的数据或增强数据中的要素来改进栅格影像的质量。这些卷积滤波器应用于移动、叠置核（窗口或邻域），如 3 x 3。卷积滤波器的工作原理是根据其邻域的权重来计算像素值。

备注

在此函数中，有多种卷积滤波器类型可供选择。也可以指定一个用户定义的类型并输入自己的内核值。

为获取最佳显示结果，您可能要使用直方图拉伸来调节影像的对比度或亮度，以帮助突出要素效果。

参数


参数	说明
栅格	输入栅格数据集。
类型	选择要执行的过滤类型。可使用进行锐化、模糊和边缘检测的选项，也可以自定义基于核的滤波器
核	该表显示了如何在过滤过程中为每个像素加权。如果您选择用户定义作为类型，则可对此表进行编辑。

了解有关卷积工作原理的详细信息

在下表中，每个滤波器均应用于以下两个影像中的一个：

边缘检测滤波器

梯度类型

梯度滤波器可用于以 45 度为增量的边缘检测。


类型	说明	示例
梯度（东）	3 x 3 滤波器 1 0 -1 2 0 -2 1 0 -1
梯度（北）	3 x 3 滤波器 -1 -2 -1 0 0 0 1 2 1
梯度（东北）	3 x 3 滤波器 0 -1 -2 1 0 -1 2 1 0
梯度（西北）	3 x 3 滤波器 -2 -1 0 -1 0 1 0 1 2
梯度（南）	3 x 3 滤波器 1 2 1 0 0 0 -1 -2 -1
梯度（西）	3 x 3 滤波器 -1 0 1 -2 0 2 -1 0 1

拉普拉斯 (Laplacian) 算子类型

拉普拉斯 (Laplacian) 算子滤波器通常用于边缘检测。这些滤波器常应用于事先已做过平滑处理的影像，其目的是减少影像对噪声的敏感度。


类型	说明	示例
拉普拉斯 (Laplacian) 算子 3x3	3 x 3 滤波器 0 -1 0 -1 4 -1 0 -1 0
拉普拉斯 (Laplacian) 算子 5x5	5 x 5 滤波器 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 17 -2 -1 0 -1 -2 -1 0 0 0 -1 0 0

线检测类型

与梯度滤波器器一样，线检测滤波器也可用于执行边缘检测。

如果在执行边缘检测算法前应用平滑算法，则您可能会获得更为理想的结果。


类型	说明	示例
线检测（水平）	3 x 3 滤波器 -1 -1 -1 2 2 2 -1 -1 -1
线检测（左对角线）	3 x 3 滤波器 2 -1 -1 -1 2 -1 -1 -1 2
线检测（右对角线）	3 x 3 滤波器 -1 -1 2 -1 2 -1 2 -1 -1
线检测（垂直）	3 x 3 滤波器 -1 0 -1 -1 2 -1 -1 2 -1

Sobel 算子类型

Sobel 算子滤波器用于边缘检测。


类型	说明	示例
Sobel 算子（水平）	3 x 3 滤波器 -1 -2 -1 0 0 0 1 2 1
Sobel 算子（垂直）	3 x 3 滤波器 -1 0 1 -2 0 2 -1 0 1

锐化和平滑滤波器

锐化类型

锐化（高通）滤波器着重强调相邻元素数值的相对差异。高通滤波器使用加权的核邻域来计算每个输入像元的焦点总和统计数值。它突出要素之间的边界（如水体与森林的交界处），从而锐化对象之间的边缘。高通滤波器称为边缘增强滤波器。高通滤波器核识别在邻域中使用哪些像元以及如何对这些像元应用权重（通过与某个系数相乘）。


类型	说明	示例
锐化	3 x 3 滤波器 0 -0.25 0 -0.25 2 -0.25 0 -0.25 0
进一步锐化	3 x 3 滤波器 -0.25 -0.25 -0.25 -0.25 3 -0.25 -0.25 -0.25 -0.25
锐化 3x3	高通 3 x 3 滤波器 -1 -1 -1 -1 9 -1 -1 -1 -1
锐化 5x5	高通 5 x 5 滤波器 -1 -3 -4 -3 -1 -3 0 6 0 -3 -4 6 21 6 -4 -3 0 6 0 -3 -1 -3 -4 -3 -1

平滑类型

平滑（低通）滤波器可通过减少局部变化和移除噪声来平滑数据。低通滤波器计算每个邻域的平均值。其效果就是对每个邻域内的高数值和低数值进行平均处理，以减少数据中的极值。


类型	说明	示例
平滑算术平均值	3 x 3 滤波器 0.111 0.111 0.111 0.111 0.111 0.111 0.111 0.111 0.111
平滑 3x3	低通 3 x 3 滤波器 1 2 1 2 4 2 1 2 1
平滑 5x5	低通 5 x 5 滤波器 1 1 1 1 1 1 4 4 4 1 1 4 12 4 1 1 4 4 4 1 1 1 1 1 1