Opencv之图像滤波：4

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上物联网嵌入式知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、电子书籍、讲解视频，并且后续会持续更新

需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）

如果你需要这些资料，可以戳这里获取

在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

4.1 原理介绍

在高斯滤波中，卷积核中的值不再都是1。如下图所示

在实际使用中，高斯滤波使用的可能是不同大小的卷积核，核的宽度和高度可以不相同，但是它们都必须是奇数，可以根据使用需求选定合适的卷积核。每一种尺寸的卷积核都可以有多种不同形式的权重比例。在实际计算中，卷积核是归一化处理的，严格来讲，使用没有进行归一化处理的卷积核进行滤波，得到的结果往往是错误的。

4.2 函数语法

在OpenCV中，实现高斯滤波的函数是cv2.GaussianBlur（），该函数的语法格式是：

dst=cv2.GaussianBlur（src,ksize,sigmaX,sigmaY,borderType）

式中：

● dst是返回值，表示进行高斯滤波后得到的处理结果。

● src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道 独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F中的一 种。

● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽 度。需要注意，滤波核的值必须是奇数。

● sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。

● sigmaY是卷积核在垂直方向上（Y轴方向）的标准差。如果将该值设置为0，则只采用sigmaX的值

如果sigmaX和sigmaY都是0，则通过ksize.width和ksize.height计算得到。其中：

sigmaX=0.3×[（ksize.width-1）×0.5-1] +0.8

sigmaY=0.3×[（ksize.height-1）×0.5-1]+0.8

● borderType是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。 在该函数中，sigmaY和borderType是可选参数。sigmaX是必选参数，但是可以将该参数设置为0，让函数自己去计算sigmaX的具体值。

函数cv2.GaussianBlur（）的常用形式为：
dst=cv2.GaussianBlur（src,ksize,0,0）

4.3 程序示例

import cv2  as cv
import numpy as np

def cv_show(name, img):
    cv.imshow(name, img)


**收集整理了一份《2024年最新物联网嵌入式全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升的朋友。**
![img](https://img-blog.csdnimg.cn/img_convert/ed463dbca39de534f6835df42a455d3f.png)
![img](https://img-blog.csdnimg.cn/img_convert/d2091904ffadb6878cda330e43e79d6e.png)

**[如果你需要这些资料，可以戳这里获取](https://bbs.csdn.net/topics/618679757)**

**需要这些体系化资料的朋友，可以加我V获取：vip1024c （备注嵌入式）**

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人**

**都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人**

**都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**