照例，我们搬一下官网的 API：

这个函数一般是用于图像的卷积，但 OpenCV 文档里说这个函数不完全等于图像卷积。这一点说实话我看到的时候也震惊到了，我一直是拿它当卷积来用的。但是仔细考虑后，我认为这一点完全是定义上的差异，日常用的图像卷积定义和这个函数的功能实际上是一致的。

直接上手做往往能给人最直观的感受。因此，最开始这里我要放一个使用这个函数的最小化程序，可以称之为该函数的 hello world 程序。这个程序跑通了，就可以很方便地尝试其他参数的作用了。

这个程序读取一张图片，并将其通过10 x 10 的卷积核作均值滤波并显示结果。

同样的，这里把各个参数打一张表：

这个参数没什么好说的，就是原图像。它可以是任何色彩模式，这就意味着如果你把原本送到这个函数里的图片从黑白变成了彩色（单通道变成了 3 通道），你并不需要更改其他参数。本身，对多通道的图像，卷积就是以通道为单位进行的。

这个参数有点费解了。大部分情况下不需要管它是干嘛的，直接把它设成 -1 就没有任何问题。

参数名 ddepth ，英文是 desired depth，即期望深度。什么意思呢？我们来看它的可能取值表（来自这里）：

这个表里的一大串 CV 打头的符号到底是什么意思呢？实际上这些符号的末尾字母对应了数据类型：

中间的数字很显然代表了数据类型所占用的空间（bit）。所以，所谓深度，其实指的是数据类型。

那就好说了，你会发现这里其实是规定了输出数据的类型，包括每个通道的每个像素占用多少空间。输出数据的类型必须根据上面的表格中输入对应的类型指定。这里 -1 表示输出类型和输入相同。

不过，值得注意的是，似乎有些数据类型无法通过 cv2.imshow 正常显示，可以用 matplotlib.pyplot.imshow 来代替。

但是，还是注意，没有关于数据类型的特别要求时，这个功能是不需要的，取 -1 即可。

这两个参数都是卷积相关的，因此放在一节里面讲述。接下来的内容假设你已经了解了图像卷积。

这里，kernel 很显然表示的是卷积核，这是一个 numpy.ndarray 类型的矩阵。这个矩阵的生成可以用 numpy 自带的函数，但是对于复杂一些的卷积核，OpenCV 内部的一些函数显然更合适。如 getStructuringElement，getGaussianKernel，前者用于获取特定形状的核，后者则是高斯核生生成器（不过要注意生成的是一个向量）。

anchor 则表示锚点。什么叫锚点呢？看下面这张图：

可以说，锚点 anchor 决定了卷积核相对于生成目标点的位置。虽然锚点是相对于卷积核来定义的，但是卷积的过程更像是通过锚点去寻找卷积核。遍历图像中的每一个像素，以每一个像素为锚点，按照相对位置生成卷积范围，和卷积核对应元素相乘再求和得到目标图像中对应像素的值。可以用公式表示成： dst ( x , y ) = ∑ 0 ≤ x ′ < kernel.cols 0 ≤ y ′ < kernel.rows kernel ( x ′ , y ′ ) × src ( x + x ′ − anchor.x , y + y ′ − anchor.y ) \text{dst}(x, y)=\sum_{\begin{matrix}0\leq x^\prime < \text{kernel.cols} \\ 0 \leq y^\prime