OpenCV每日函数 图像过滤模块 (11) getGaussianKernel计算高斯卷积核函数

已于 2022-06-14 17:51:33 修改
阅读量1k 收藏 2
点赞数
分类专栏： 深度学习从入门到精通 OpenCV从入门到精通 文章标签： opencv 计算机视觉 高斯核 高斯滤波 Gaussian Kernel
于 2022-06-12 20:59:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bashendixie5/article/details/125249171
版权
深度学习从入门到精通 同时被 2 个专栏收录
762 篇文章 171 订阅 ¥99.90 ¥99.00
订阅专栏
OpenCV从入门到精通
198 篇文章 5 订阅 ¥49.90 ¥99.00
订阅专栏

一、概述

        该函数返回高斯滤波器系数。

        该函数计算并返回 ksize×1 的高斯滤波器系数矩阵：

        其中i=0...ksize-1 和 \alpha 是选择的比例因子，因此 \sum _iG_i=1。可以将两个这样的生成内核传递给 sepFilter2D。 这些函数会自动识别平滑内核（权重总和等于 1 的对称内核）并相应地处理它们。 您也可以使用更高级别的 GaussianBlur。

高斯核在每张 10 马克的德国钞票上都很明显，在他 55 岁时，它被描绘在其著名发明家旁边。现在欧元替代了马克

        高斯核在 1-D、2D 和 N-D 中分别定义为

了解本专栏 订阅专栏 解锁全文
坐望云起
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
OpenCV–图像平滑（均值滤波、方框滤波、高斯滤波、中值滤波）
01-20
OpenCV–图像平滑（均值滤波、方框滤波、高斯滤波、中值滤波） 首先看以下图，图像平滑（模糊）只是滤波中的一种操作，并不是整个滤波部分。 一、均值滤波 函数： dst = cv.blur( src, ksize[, dst[, anchor[, borderType]]] ) src:输入图像； ksize: 卷积核大小； anchor: 锚点位置设置，默认为卷积核的中心位置； borderType: 边界填充方法。   均值滤波是一种线性滤波器，处理思路也很简单，就是将一个窗口区域中的像素计算平均值，然后将窗口中计算得到的均值设置为锚点上的像素值。该算法有优点在于效率高，思路简单。同样，
【opencv】高斯核是怎么通过参数ksize和sigma计算得到的 cv2.getGaussianKernel()，cv.GaussianBlur()
weixin_37804469的博客
02-18 1万+
cv2.getGaussianKernel 函数只能生成一维高斯核, shape为（n, 1） 可以通过 kernel_x * kernel_y.T 生成二维高斯核 下面通过例子，生成二维高斯核，包括 通过 opencv的cv2.getGaussianKernel 函数， 我们自己手撸的高斯核函数代码， 最后检测，我们自己的代码得出的结果是否等于cv2.getGaussianKernel 函数生成的结果 import cv2 import numpy as np import math # 默认高斯.
OpenCV2.4.13源码分析-getGaussianKernel
gy笨瓜的博客
07-05 7017
基本原理：在数字图像处理中，一般取二维高斯函数为G(x,y)=1/(2πσ_x σ_y ) e^(-(x^2/(〖2σ〗_x^2 )+y^2/(〖2σ〗_y^2 )))=1/(√2π σ_x ) e^(-(x^2/(〖2σ〗_x^2 )))*1/(√2π σ_y ) e^(-(y^2/(〖2σ〗_y^2 )) )=G(x)*G(y)                (1)由（1）可以知道，二维高斯函...
中科星图——影像卷积核函数Kernel之gaussian高斯核函数核算子、Laplacian4核算子和square核算子等的分析
qq_31988139的博客
02-20 1195
高斯核函数是图像处理中常用的一种卷积核函数。它是一种线性滤波器，可以实现图像的平滑处理。在图像处理中，高斯核函数的卷积操作可以用于去噪、平滑和模糊等任务。高斯核函数的定义可以表示为一个二维高斯分布函数，表达式如下：其中，x和y表示图像中的像素位置，sigma表示高斯分布的标准差。高斯核函数的数学表达式可以通过一维高斯函数的乘积得到。高斯核函数在图像处理中的应用非常广泛。它主要有以下几个优点：1. 平滑处理：高斯核函数可以对图像进行平滑处理，即通过减小图像中像素之间的差异来模糊图像。
python opencv之SURF算法示例
12-23
本文介绍了python opencv之SURF算法示例，分享给大家，具体如下： 目标： SURF算法基础 opencv总SURF算法的使用 原理： 上节课使用了SIFT算法，当时这种算法效率不高，需要更快速的算法。在06年有人提出了SURF算法“加速稳定特征”，从名字上来看，他是SIFT算法的加速版本。 （原文） 在SIFT算法当中使用高斯差分方程（Difference of Gaussian）对高斯拉普拉斯方程( Laplacian of Gaussian）进行近似。然而，SURF使用盒子滤波器进行近似，下面的图片显示了这种近似的方法。在进行卷积计算的时候可以利用积分图像，这是使用
OpenCV学习之路（七）图像模糊|去除噪声
01-06
本章将学习一些去除噪声的方法。 对以后进行图像识别等操作很有意义。 均值滤波 道理不咋懂，直接放函数好了 cv2.blur(img,size) size为卷积核尺寸 import numpy as np import cv2 img=cv2.imread('D://zopencv//ball.jpg') blur=cv2.blur(img,(5,5)) mask=cv2.resize(blur,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_AREA) cv2.imshow('image',mask) cv2.waitKey(0) cv2.destro
Gaussian kernel的简单介绍，英文的
05-31
一篇关于Gaussian kernel的介绍，感觉还不错，可以看一下，不过是英文的
高斯模糊（转）
weixin_30367169的博客
11-14 1938
原文链接：http://www.ruanyifeng.com/blog/2012/11/gaussian_blur.html 通常，图像处理软件会提供"模糊"（blur）滤镜，使图片产生模糊的效果。 "模糊"的算法有很多种，其中有一种叫做"高斯模糊"（Gaussian Blur）。它将正态分布...
OpenCV源码之高斯模糊GaussianBlur, getGaussianKernel
独步天秤的博客
05-26 3566
目录 基本原理： 基本流程： 高斯模板创建过程 构建高斯矩阵 计算高斯矩阵的和 归一化 源码 结论： 参考文章： 基本原理： 在数字图像处理中，一般取二维高斯函数为 由（1）可以知道，二维高斯函数，可以看成两个一维高斯函数乘积，因此先计算一维高斯模板，再计算需要的二维高斯模板。 基本流程： 高斯模板创建过程 构建高斯矩阵 注意：后续归一化时系数会被去掉，所以会省略系数的计算，只计算​​​​ OpenCV中源码： double x = i - (n...
opencv构建高斯卷积核
weixin_30664539的博客
03-25 338
关于高斯核函数可以参见阮一峰老师的日志：高斯模糊的算法 如何使用高斯核进行高斯模糊可以参见我的另一篇日志：opencv构建自定义卷积 1 Mat Gaussian_kernal(int kernel_size, int sigma) 2 { 3 const double PI = 3.14159265358979323846; 4 int m = kernel...
基于Opencv传统数字图像处理实现车道线检测源码含项目说明(可作毕设).zip
10-18
1、实验内容 本实验使用数字图像处理的基本方法，构建了一个车道线检测模型。该模型可以识别图像中所有的车道线，并得到完整的车道线信息。模型在tuSimple Lane Dataset大小为100的数据子集进行了测试，达到了较好的结果。 2、实现思路 实现车道线检测，主要包含两部分操作 1. 道路图像的处理，主要包括灰度图转换、基于高斯平滑的图像去噪、基于Canny算法的边缘提取 2. 车道线检测方法，主要包括获取感兴趣区域（ROI）、形态学闭运算、基于Hough变换的直线检测 模型的处理流程如下， <img src="./result/image_of_readme/img.png" alt="image-20210214120515919" style="zoom:80%;" /> # 2.1 道路图像处理 通过对道路图像进行处理，突出图像中的车道线部分。模型将彩色图像转化成灰度图像进行处理，目的是简化模型的复杂度，提高运行效率。 ## 2.1.1 高斯平滑 由于光照、路面情况、拍摄质量等问题，道路图像上存在很多噪声，通过高斯滤波使图像变得平滑，减弱图像中的噪声对结果的影响，提高车道线检测模型的鲁棒性。 高斯平滑就是使用高斯滤波器与原图像进行卷积，得到平滑图像。与均值滤波类似，它们都是取滤波器窗口内像素的加权均值作为输出。高斯滤波器的权值分布满足二维高斯函数 一开始选择的更新聚类中心的方法，是取同一类别的平均值，效果不佳。经过尝试最后采用取每个类别的初始值为中心点，实现较好的效果。示例如下： ![聚类方法对比](./result/image_of_readme/update_cmp.png) 评测结果对比： | 中心点 | Accuracy | FP | FN | | ---------- | -------- | ------ | ------ | | 数据均值 | 0.5740 | 0.7058 | 0.7533 | | 聚类初始值 | 0.7539 | 0.5025 | 0.5242 | 分析原因：由于车道线有一定弧度，导致前半部分和后半部分的车道线参数差距较大。如果降低判定相似的标准，就会导致本不相似的直线求均值，从而使Accuracy较低；如果提高相似的标准就会，导致聚类得到类别很多，从而FP较大；因此采用加权均值更新聚类中心点并不理想。 按照车道线聚类结果中每个类别的大小，对聚类结果进行排序，选择所有聚类结果中规模最大的4个类作为最终确定的直线参数。 实验总结及改进 实验过程中尝试了很多方案，如采用形态学运算，提高车道线的完整性；通过阈值分割，去除背景和干扰物；采用均值作为聚类中心等。由于方案设计上的主观缺陷和检测任务的存在的光照不均、环境复杂等客观因素，以上方案均被舍弃。最终经过实践得到了一种鲁棒性较好，效果较优的车道线检测方案。 通过查阅相关资料，我了解到更多车道线检测的改进算法，例如可以通过最大类间方差法(OTSU)进行阈值分割、动态ROI区域等。可以通过以上算法进一步提高模型精度和性能。 运行方法 1. **编译**（Windows 10）： * cmake version 3.19.3 * GNU Make version 4.2.1 * OpenCV version 4.5.1 在 powershell 中执行以下命令： （1）生成 debug 版本： ```shell mkdir debug # 创建编译目录 cd debug cmake -G "MinGW Makefiles" .. # 生成 Makefile mingw32-make # 使用 MinGW 编译代码 ``` （2）生成 release 版本 ```shell mkdir release cd release cmake -G "MinGW Makefiles" -DCMAKE_BUILD_TYPE=Release .. mingw32-make ``` 2. **运行** > 在 debug / release 目录中双击 lane_detection.exe 即可运行 3. **测评** ```shell cd .. python evaluate.py ./result/predict.json ./data/groundtruth.json ```
opencv实现高斯核函数
11-09
opencv实现高斯核函数。 1)sigma可控的高斯核函数 2）sigma和维度可控的高斯核函数
OpenCV计算机视觉学习（7）——图像金字塔（高斯金字塔，拉普拉斯金字塔，图像缩放resize函数） - 战争热诚 - 博客园
08-03
1. Re:深学习卷积神经络（ 2. Re:深学习卷积神经络（ 3. Re:OpenCV计算机视觉学习 4. Re:数据竞赛实战（5）—— 5. Re:数据竞赛
机器学习笔记 - 什么是支持向量回归(SVR)？
热门推荐
学以致用 知行合一
04-14 4万+
SVM 回归算法称为支持向量回归或SVR。支持向量回归是一种监督学习算法，用于预测离散值。支持向量回归使用与 SVM 相同的原理。SVR 背后的基本思想是找到最佳拟合线。在 SVR 中，最佳拟合线是点数最多的超平面。 ​ SVR将输入的数据的原始空间映射到更高维的特征空间，通常通过非线性高斯核函数实现。在特征空间中，问题变成了拟合数据的最优线性平面的构造。
机器学习笔记 - 什么是高斯混合模型(GMM)？
学以致用 知行合一
05-21 4万+
高斯混合模型 (GMM) 是一种机器学习算法。它们用于根据概率分布将数据分类为不同的类别。高斯混合模型可用于许多不同的领域，包括金融、营销等等！这里要对高斯混合模型进行介绍以及真实世界的示例、它们的作用以及何时应该使用GMM。 高斯混合模型 (GMM) 是一个概率概念，用于对真实世界的数据集进行建模。GMM是高斯分布的泛化，可用于表示可聚类为多个高斯分布的任何数据集。 高斯混合模型是一种概率模型，它假设所有数据点都是从具有未知参数的...
机器学习笔记 - 什么是UMAP？
学以致用 知行合一
04-25 2万+
统一流形逼近和投影 (UMAP) 是一种降维技术，可用于类似于 t-SNE 的可视化，但也可用于一般的非线性降维。UMAP 是一种基于流形学习技术和拓扑数据分析思想的降维算法。它为处理流形学习和降维提供了一个非常通用的框架，但也可以提供具体的具体实现。   该算法基于对数据的三个假设：   数据均匀分布在黎曼流形上；   黎曼度量是局部常数（或可以近似）；   歧管是本地连接的。   根据这些假设，可以用模糊拓扑结构对流形进行建模。通过搜索具有最接近的等效模糊拓扑结构的数据的低维投影来
MATLAB学习笔记 imagesc函数使用
学以致用 知行合一
01-12 1万+
imagesc(C)将数组中的数据显示 C为使用颜色图中的全部颜色范围的图像。的每个元素C指定图像的一个像素的颜色。所得到的图像是一个 m-by-n像素的网格，其中 m是的行数和n在列数C。元素的行和列索引决定了相应像素的中心。
计算机视觉 - 什么是图像配准？
学以致用 知行合一
05-07 1万+
图像配准是叠加两个或多个来自不同来源、在不同时间和角度拍摄的图像的过程。图像配准过程是一种自动或手动操作，它试图发现两张照片之间的匹配点并在空间上对齐它们以最小化所需的误差，即两幅图像之间的统一邻近度测量。医学、遥感和计算机视觉都使用图像配准。 一旦在图片之间建立了对应关系，通常可以简单地调节或处理对两张或多张照片之间的联系的研究。建立这种相关性的过程称为图像配准。
OCR - 微软windows 11系统自带的Windows OCR功能初体验
学以致用 知行合一
09-25 1万+
Windows 11 允许用户通过预装的 Power Automate 应用创建自动化。Power Automate 是一个低代码平台，使家庭和企业用户能够优化他们的工作流，自动执行重复且耗时的任务。任何 Windows 用户都可以在几乎没有编码经验的情况下构建流。超过 400 个预建操作的集合和一个捕获鼠标和键盘功能的记录器，使 RPA 对普通用户和高级用户来说都很简单直接。更多详细信息见下面官方链接。
opencv中常用的卷积核
最新发布
03-28
2. 高斯滤波器：该卷积核是一个二维高斯函数，用于平滑图像并减少噪声。它可以通过指定卷积核的大小和标准差来调整滤波效果。 3. 锐化滤波器：该卷积核用于增强图像的边缘和细节。常见的锐化滤波器有拉普拉斯滤波器...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

坐望云起

如果觉得有用，请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值