在图像的处理过程中，经常要用到卷积模板，如图像锐化、图像平滑、高斯模糊、Hough变换等，为此，本人使用Delphi编写了GDI+图像通用卷积处理过程，代码如下：

 

        上面的代码中，提供了2个卷积处理函数：_GdipConvolution和GdipConvolution，其中的_GdipConvolution过程是具体处理代码，也具有更大的通用性，使用的是GDI+图像的32位ARGB数据结构，便于图像的连续处理，因为要得到GDI+图像的数据结构必须使用TGpBitmap的LockBits和UnLockBits函数，而这2个函数是相当耗时的，在我的P464 2.8G、DDR2667双通道1G内存下，Lock一幅400W的图像耗时近200毫秒！GdipConvolution只是处理Lock图像数据后调用_GdipConvolution过程。

        一般来说，卷积处理相当慢，而通用的卷积过程要顾及的情况更多，因而复杂度也大，速度更是难以提高。先前我用用纯Pascal写的_GdipConvolution过程，在我的机器上使用Q=3、Radius=5的高斯模糊矩阵（即11 * 11的卷积矩阵）处理一幅1000W像素的图像，耗时近19000多毫秒！后来几乎全部改用BASM编写，速度提高了不少，同样条件的处理耗时为6600毫秒，只是先前的1/3！不过1000W像素的图片已经是较大的了，11 * 11的卷积矩阵也够复杂的了。

        从上面代码及注释可以看出，整个_GdipConvolution过程可分为4个部分：

        第一部分是处理准备，包括备份图像数据内存分配、备份图像的复制、图像扫描线和卷积矩阵偏移量的计算以及几个参数计算。

        备份图像是必须的，因为卷积处理一个像素点，需要用到卷积矩阵大小范围的像素数据，如果不用备份图像，前面的像素处理后，后面的像素处理就没法取得原始数据了。

        另外，关于过程的Nuclear参数，一般情况下，是由卷积矩阵各因子值累加起来的，但是有些特殊的矩阵，其因子值累加起来小于1，因而需要显示的给出，该参数不能小于1：等于0没法作除法运算，小于0则整个图像界面成黑色。

        第二部分是图像边界处理，我看过很多卷积过程，大多都将边界像素忽略，这样可提高处理速度和减少代码复杂度。

        忽略图像边界像素，对于小的卷积矩阵问题不大，如3*3矩阵，边界只有一个像素点，但是大的卷积处理就很难看了，如上面我使用的11*11高斯模糊矩阵，有5个像素的边界，如果不处理，可看到很明显的一个边框，而这样大的矩阵也是经常用的，在Photoshop中也就是相当半径3.0以下的高斯模糊，经常用Photoshop的人都知道这只是一个很普通的模糊。

        边界应该怎样处理？方法不一，有的说超出图像的部分用背景像素，也有的使用对角线像素处理（该像素点使用了2次），但我觉得效果都不太好。我采用的方法是忽略超出图像部分的矩阵因子。这个忽略与上面说的忽略是2码事，上面是忽略整个图像边界像素，便于代码简单和速度提高，而这里是忽略卷积矩阵的部分因子，相反比使用背景和对角线像素还复杂：随着部分矩阵因子的忽略，该因子的值必须从卷积核中减掉，因而要逐点的重新计算卷积核，这有可能造成卷积核<=0的情况，这就需要在代码中判断处理，从而增加了代码的复杂度。不过这种处理效果看起来还不错。

        第三部分是中间像素的处理，由于不用判断边界，这部分代码相对较简单，但这部分代码的质量也直接影响卷积处理的速度，如上面提到的11 * 11卷积矩阵，处理一个像素点要作11 * 11 * 3 = 363次矩阵因子与像素点的乘法运算，还得累加起来后除以卷积核才能写回图像。如果是某个专门卷积处理，可以直接写成类似r = (p[x-1, y-1] * m[i-1, j-1] + p[x-1, y] * m[i,j] +  ......) / Z; 的代码，可提高处理速度，而通用处理代码则必须使用2重循环围绕着卷积矩阵分别像素点的R、G、B值计算。

        第四部分只是将累加起来的R、G、B值除以卷积核，控制好R、G、B值的的范围(0-255)，然后写入图像数据就行了，其实某些专用卷积处理过程只需要控制R、G、B的上限或者下限就行了，如高斯模糊处理，根本不可能出现负数。

        上面简单介绍了 通用卷积处理过程的实现方法，下面给出一个图像高斯模糊应用卷积处理的代码：

        可以看出，这个高斯模糊过程也是通用型的，不需要给出卷积矩阵，而由过程根据标准差Q和矩阵半径Radius参数自动计算，甚至Radius参数也可忽略。

        有的高斯模糊处理过程采用浮点数卷积矩阵，会影响处理速度，采用整数类型运算，相同的算法运算速度会成倍提高，因此本过程将浮点数*1000转换为了整数矩阵。下面是高斯模糊过程测试代码：

        下面是采用不同Q值进行高斯模糊的运行结果图：

        左边是原始图像，其后分别是采用Q=1、2、3调用GdipGaussiabBlur过程高斯模糊后的图像，最右边一幅是使用Photoshop8.1cs高斯模糊（Q=3）处理的。

        可以看出，本过程处理的图片和Photoshop处理的图片效果基本接近，同等Q值（3）情况下，Photoshop处理的模糊程度似乎稍稍强一些，可能是算法上的差异，我的过程自动计算的Radius是Q+2，我用Q=3，Radius=6，也就是采用13*13卷积矩阵的模糊效果似乎更接近Photoshop的处理效果，难道Photoshop的Radius为Q * 2？这样一来，采用的卷积矩阵会更大，应该不是，不过，上面的高斯模糊过程中Radius可以任意给定而不通过自动计算，可以反复试试，以模仿Photoshop的处理；另外，当Q=3时图像好像已经模糊的很厉害了，其实，对于高分辨率（200-300）图像，Q=3的高斯模糊程度并没有这么明显，我采用的图片分辨率为72，而且这张图片已经是经过Photoshop过滤、模糊处理后合成的。

        下面给出一个直接调用GdipConvolution过程进行Hough变换的例子作为本文结束：

运行效果如下图：

        左边是原始图像，后面分别为用不同的Hough矩阵的运行效果，见例子代码的Ray数组。

        由于本人水平有限，错误难免，请各位指正，而且对于一些算法提出好的建议，如图像边界像素的处理，高斯模糊中Q或者Radius参数自动计算问题等等。我的Email：maozefa@hotmail.com。

        再次说明，本人例子中使用的GDI+代码与网上流通的有些区别。

        另外，本人发现有很多网站转发了本人的文章，这本是好事，本人热烈欢迎，可是大多没写明文章作者和转载地址，更有甚者，干脆把作者改为了他自己的署名，这就似乎有些欠光明磊落了。

        补充：文章发布后，有位朋友来信问上面的过程能否直接处理Delphi的TBitmap，也就是说，不改动上面的代码，也不使用GDI+，直接处理TBitmap类型。答案是肯定的，不过有2点必须注意，一是_GdipConvolution过程使用的参数是GDI+的图形数据类型TBitmapData，应该填写该纪录；二是TBitmap的扫描数据是倒序的，即第一行图像数据在扫描地址中的最后一行，为此，对于上下不对称的卷积矩阵必须交换过来，才能得到想要的效果，如上面的Hough变换例子中的：

Ray: array[0..8] of Integer = (-1, -1, -1, 0, 0, 0, 1, 1, 1);

应该改成：

Ray: array[0..8] of Integer = (1, 1, 1, 0, 0, 0, -1, -1, -1);

至于高斯模糊矩阵，由于是对称的，所以可以直接使用，请看下面TBitmap的高斯模糊例子：

        可以看出，上面的GaussiabBlur过程只是将前面的GdipGaussiabBlur的TGpBitmap类型参数改为TBitmapData，同时把调用的卷积过程GdipConvolution修改为_GdipConvolution。

 

本文来源：http://blog.csdn.net/maozefa/archive/2007/08/22/1754011.aspx