官网demo示例：
Image Filters
这篇讲的是如何给地图添加滤镜。
一看代码，，好家伙，信息量满满，全都看不懂。。。
咱只能一段一段扒。。。
首先添加一个底图到地图上，这个好理解。
const imagery = new TileLayer({source: new OGCMapTile({url: "https://maps.gnosis.earth/ogcapi/collections/NaturalEarth:raster:HYP_HR_SR_OB_DR/map/tiles/WebMercatorQuad",crossOrigin: "",}),});const map = new Map({layers: [imagery],target: "map",view: new View({center: fromLonLat([-120, 50]),zoom: 6,}),});新建一个对象定义了一组卷积核。
const kernels = {none: [0, 0, 0, 0, 1, 0, 0, 0, 0], //无sharpen: [0, -1, 0, -1, 5, -1, 0, -1, 0], //锐化滤波器sharpenless: [0, -1, 0, -1, 10, -1, 0, -1, 0], //增强图像的边缘和细节，但比 sharpen 更强烈。blur: [1, 1, 1, 1, 1, 1, 1, 1, 1], //平滑滤波器，通过对邻域像素值求平均来模糊图像shadow: [1, 2, 1, 0, 1, 0, -1, -2, -1], //阴影滤波器emboss: [-2, 1, 0, -1, 1, 1, 0, 1, 2], //浮雕滤波器edge: [0, 1, 0, 1, -4, 1, 0, 1, 0], //边缘检测滤波器};等等，啥叫卷积核？
卷积操作是一种通过一个卷积核矩阵（kernel）来滤波图像的技术，它可以实现各种图像效果，比如锐化、模糊、阴影、浮雕和边缘检测等。
啥叫卷积核矩阵？
卷积核是一个 3x3 的矩阵，每个元素代表像素在滤波时的权重。卷积操作通过将这个卷积核在图像上滑动，将核矩阵与图像中的每个 3x3 区域逐个相乘，然后求和，生成新的像素值。
例如，对于 sharpen 卷积核：
0 -1 0
-1 5 -10 -1 0
这个卷积核在图像上滑动时，会增强中心像素值（乘以 5）并减弱周围像素值（乘以 -1）。通过这种方式，不同的卷积核可以实现各种图像处理效果，如锐化、模糊、浮雕等。
卷积核进行归一化处理函数：
function normalize(kernel) {// 获取卷积核的长度const len = kernel.length;// 创建一个与卷积核相同长度的新数组const normal = new Array(len);let i,sum = 0;// 计算卷积核中所有元素的总和for (i = 0; i < len; ++i) {sum += kernel[i];}// 如果总和小于等于0，设置sum为1并标记为未归一化if (sum <= 0) {normal.normalized = false;sum = 1;} else {// 如果总和大于0，标记为已归一化normal.normalized = true;}// 将卷积核中的每个元素除以总和，得到归一化后的值for (i = 0; i < len; ++i) {normal[i] = kernel[i] / sum;}// 返回归一化后的卷积核return normal;}将卷积核中的每个元素除以总和 sum，以确保所有元素的总和为1。这样可以保证在卷积操作过程中，图像的整体亮度不会改变 。
看到这，你是不是也跟我一样还有点懵，没事，咱们记住这句话就行：
卷积核是一个 3x3 的矩阵，每个元素代表像素在滤波时的权重。卷积操作通过将这个卷积核在图像上滑动，将核矩阵与图像中的每个 3x3 区域逐个相乘，然后求和，生成新的像素值。
也就是说，我们得获取图像中的像素数据，然后通过卷积核一类的计算操作，将图像的存储数据进行修改，生成一个新图像，最终实现滤镜效果。
那么问题来了，图像的数据是怎么存储的呢？
function convolve(context, kernel) {const canvas = context.canvas;const width = canvas.width;const height = canvas.height;const inputData = context.getImageData(0, 0, width, height).data;// 创建一个新的 ImageData 对象用于输出图像数据const output = context.createImageData(width, height);const outputData = output.data;}使用 context.getImageData(0, 0, width, height).data来获取图像上的数据，打印一下，看到以下数组：
对于一个图像来说，inputData 中的数据是按像素顺序存储的，每个像素占用 4 个连续的数组元素，分别表示该像素的红、绿、蓝和透明度（Alpha）值。具体结构如下：
[ R, G, B, A, R, G, B, A, R, G, B, A, ... ]
假设我们有一个 2x2 像素的图像，其像素颜色如下：
- (0, 0): 红色 (255, 0, 0, 255)
- (1, 0): 绿色 (0, 255, 0, 255)
- (0, 1): 蓝色 (0, 0, 255, 255)
- (1, 1): 白色 (255, 255, 255, 255)
inputData 将会是：
[ 255, 0, 0, 255, 0, 255, 0, 255, 0, 0, 255, 255, 255, 255, 255, 255 ]
每四个一组，刚好存储了四个像素点的值。
这里有个小细节，我们在css中写颜色时透明度的取值是0-100，但实际上，计算机存储的时候范围是0-255，所以这里的透明度的取值是0-255。
知道了图像结构，我们可以在数组中获取单个像素的值。
假设我们有一个宽度为 width 的图像，要访问坐标 (x, y) 处的像素，可以通过以下方式计算索引：
const index = (y * width + x) * 4;
const red = inputData[index];
const green = inputData[index + 1];
const blue = inputData[index + 2];
const alpha = inputData[index + 3];
假设图像宽度为 2，要访问坐标 (1, 0) 处的像素（绿色）的颜色值：
const width = 2;
const x = 1;
const y = 0;
const index = (y * width + x) * 4;
const red = inputData[index]; // 0
const green = inputData[index + 1]; // 255
const blue = inputData[index + 2]; // 0
const alpha = inputData[index + 3]; // 255
了解了图像基本的存储规律，接下来我们来看具体计算函数 convolve
function convolve(context, kernel) {const canvas = context.canvas;const width = canvas.width;const height = canvas.height;// 假设 kernel 是一个归一化的卷积核矩阵，其大小为 size x sizeconst size = Math.sqrt(kernel.length);const half = Math.floor(size / 2);// 获取输入图像数据const inputData = context.getImageData(0, 0, width, height).data;// 创建一个新的 ImageData 对象用于输出图像数据const output = context.createImageData(width, height);const outputData = output.data;// 遍历每个像素for (let pixelY = 0; pixelY < height; ++pixelY) {const pixelsAbove = pixelY * width;for (let pixelX = 0; pixelX < width; ++pixelX) {let r = 0,g = 0,b = 0,a = 0;// 遍历卷积核for (let kernelY = 0; kernelY < size; ++kernelY) {for (let kernelX = 0; kernelX < size; ++kernelX) {let weight = kernel[kernelY * size + kernelX];const neighborY = Math.min(height - 1,Math.max(0, pixelY + kernelY - half));const neighborX = Math.min(width - 1,Math.max(0, pixelX + kernelX - half));const inputIndex = (neighborY * width + neighborX) * 4;// 累加加权后的像素值r += inputData[inputIndex] * weight;g += inputData[inputIndex + 1] * weight;b += inputData[inputIndex + 2] * weight;a += inputData[inputIndex + 3] * weight;}}const outputIndex = (pixelsAbove + pixelX) * 4;outputData[outputIndex] = r;outputData[outputIndex + 1] = g;outputData[outputIndex + 2] = b;outputData[outputIndex + 3] = kernel.normalized ? a : 255; // 如果卷积核是归一化的，则使用计算后的 alpha，否则设为 255}}// 将输出图像数据放回到画布上下文中context.putImageData(output, 0, 0);}代码很多，但主要是两个循环，一个是循环所有像素点，将每个像素点进行更改。一个是循环卷积核，拿到权重生成累加权重之后的rgb值
其中 let weight = kernel[kernelY * size + kernelX]; 就是获取卷积核的权重值
假设我们有一个 3x3 的卷积核，并希望获取其中元素的位置：
const kernel = [0, -1, 0,-1, 5, -1,0, -1, 0
];const size = 3; // 卷积核的边长// 假设我们要获取位置 (1, 1) 的权重值
const kernelX = 1;
const kernelY = 1;const index = kernelY * size + kernelX; // 计算一维索引
const weight = kernel[index]; // 获取权重值console.log(weight); // 输出：5
当进行卷积操作时，卷积核需要对每个像素及其周围的像素进行处理。在图像边缘处，卷积核会超出图像的边界，因此需要处理这些边界情况。neighborY 计算了在 pixelY 位置应用卷积核时相应的邻近像素的 y 坐标。
const neighborY = Math.min(height - 1,Math.max(0, pixelY + kernelY - half)
);
const neighborX = Math.min(width - 1,Math.max(0, pixelX + kernelX - half)
);现实需求中，我们往往会碰到类似这种设计稿，地图上的地貌纹理相对突出，这时候，我们就可以加上滤镜效果来实现。
完整代码：
<template><div class="box"><h1>Image Filters</h1><div id="map" class="map"></div><select id="kernel" name="kernel"><option>none</option><option selected>sharpen</option><option value="sharpenless">sharpen less</option><option>blur</option><option>shadow</option><option>emboss</option><option value="edge">edge detect</option></select></div>
</template><script>
import Map from "ol/Map.js";
import View from "ol/View.js";
import XYZ from "ol/source/XYZ.js";
import { fromLonLat } from "ol/proj.js";
import { Tile as TileLayer, Vector as VectorLayer } from "ol/layer.js";
import { OGCMapTile, Vector as VectorSource } from "ol/source.js";
export default {name: "",components: {},data() {return {map: null,extentData: "",message: {name: "",color: "",},};},computed: {},created() {},mounted() {const imagery = new TileLayer({source: new OGCMapTile({url: "https://maps.gnosis.earth/ogcapi/collections/NaturalEarth:raster:HYP_HR_SR_OB_DR/map/tiles/WebMercatorQuad",crossOrigin: "",}),});const map = new Map({layers: [imagery],target: "map",view: new View({center: fromLonLat([-120, 50]),zoom: 6,}),});//卷积核const kernels = {none: [0, 0, 0, 0, 1, 0, 0, 0, 0], //无sharpen: [0, -1, 0, -1, 5, -1, 0, -1, 0], //锐化滤波器sharpenless: [0, -1, 0, -1, 10, -1, 0, -1, 0], //增强图像的边缘和细节，但比 sharpen 更强烈。blur: [1, 1, 1, 1, 1, 1, 1, 1, 1], //平滑滤波器，通过对邻域像素值求平均来模糊图像shadow: [1, 2, 1, 0, 1, 0, -1, -2, -1], //阴影滤波器emboss: [-2, 1, 0, -1, 1, 1, 0, 1, 2], //浮雕滤波器edge: [0, 1, 0, 1, -4, 1, 0, 1, 0], //边缘检测滤波器};function normalize(kernel) {// 获取卷积核的长度const len = kernel.length;// 创建一个与卷积核相同长度的新数组const normal = new Array(len);let i,sum = 0;// 计算卷积核中所有元素的总和for (i = 0; i < len; ++i) {sum += kernel[i];}// 如果总和小于等于0，设置sum为1并标记为未归一化if (sum <= 0) {normal.normalized = false;sum = 1;} else {// 如果总和大于0，标记为已归一化normal.normalized = true;}// 将卷积核中的每个元素除以总和，得到归一化后的值for (i = 0; i < len; ++i) {normal[i] = kernel[i] / sum;}// 返回归一化后的卷积核return normal;}const select = document.getElementById("kernel");let selectedKernel = normalize(kernels[select.value]);select.onchange = function () {selectedKernel = normalize(kernels[select.value]);console.log("selectedKernel", selectedKernel);map.render();};imagery.on("postrender", function (event) {convolve(event.context, selectedKernel);});function convolve(context, kernel) {const canvas = context.canvas;const width = canvas.width;const height = canvas.height;// 假设 kernel 是一个归一化的卷积核矩阵，其大小为 size x sizeconst size = Math.sqrt(kernel.length);const half = Math.floor(size / 2);// 获取输入图像数据const inputData = context.getImageData(0, 0, width, height).data;// 创建一个新的 ImageData 对象用于输出图像数据const output = context.createImageData(width, height);const outputData = output.data;// 遍历每个像素for (let pixelY = 0; pixelY < height; ++pixelY) {const pixelsAbove = pixelY * width;for (let pixelX = 0; pixelX < width; ++pixelX) {let r = 0,g = 0,b = 0,a = 0;// 遍历卷积核for (let kernelY = 0; kernelY < size; ++kernelY) {for (let kernelX = 0; kernelX < size; ++kernelX) {let weight = kernel[kernelY * size + kernelX];const neighborY = Math.min(height - 1,Math.max(0, pixelY + kernelY - half));const neighborX = Math.min(width - 1,Math.max(0, pixelX + kernelX - half));const inputIndex = (neighborY * width + neighborX) * 4;// 累加加权后的像素值r += inputData[inputIndex] * weight;g += inputData[inputIndex + 1] * weight;b += inputData[inputIndex + 2] * weight;a += inputData[inputIndex + 3] * weight;}}const outputIndex = (pixelsAbove + pixelX) * 4;outputData[outputIndex] = r;outputData[outputIndex + 1] = g;outputData[outputIndex + 2] = b;outputData[outputIndex + 3] = kernel.normalized ? a : 255; // 如果卷积核是归一化的，则使用计算后的 alpha，否则设为 255}}// 将输出图像数据放回到画布上下文中context.putImageData(output, 0, 0);}},methods: {},
};
</script><style lang="scss" scoped>
#map {width: 100%;height: 500px;
}
.box {height: 100%;
}
</style>
![[渗透测试学习] BoardLight-HackTheBox](https://img-blog.csdnimg.cn/direct/2df364543c8e4af69a0526685d87ea1b.png)
![[算法刷题—二分法]寻找插入位置](https://img-blog.csdnimg.cn/direct/4d5da675ec0a4b12a01b30e8cdc475ed.png)
