OpenCv图像处理——高斯滤波

最新推荐文章于 2024-08-12 21:28:29 发布

__山顶洞人__

最新推荐文章于 2024-08-12 21:28:29 发布

阅读量896

点赞数 1

分类专栏： opencv-python图像处理

本文链接：https://blog.csdn.net/qq_39197555/article/details/103788765

版权

opencv-python图像处理专栏收录该内容

12 篇文章 7 订阅

订阅专栏

高斯滤波原理

以某一像素为中心，在它的周围选择一个局部邻域，把邻域内像素的灰度按照高斯正态分布曲线进行统计，分配相应的权值系数，然后将邻域内所有点的加权平均值代替原像素值。

其中，k, l是根据所选邻域大小确定。

二维高斯函数图：

正态分布曲线为钟形形状；表明:离中心原点越近,高斯函数取值越大。正态分布常被用来进行权值分配。理解高斯滤波可以参考理解均值滤波的方法，均值滤波是把卷积核里面的每一个像素的权值都设置为1，而高斯滤波则是距离核中心越近的像素所占的权重越高。如上图所示的那样中心权重最高，以中心扩散权重一次减小。高斯函数有一个参数叫做标准差 $\sigma$ ，标准差越小分布越集中，生成高斯模板的中心系数值远远大于周围系数值，高斯图像越尖。反之越大分布越分散，生成高斯模板中不同系数值差别不大，高斯图像越平缓。

高斯模板特点

按照正态分布曲线的统计，模板上不同位置赋予不同的加权系数值。

标准差 $\sigma$ 影响高斯模板生成的关键参数。

$\sigma$ 值越大，生成高斯模板中不同系数值差别不大，类似均值模板，对图像的平滑效果较明显。

代码实现：

import cv2


lena_noise = cv2.imread("lenaNoise.png")

lena_Gaus_r11 = cv2.GaussianBlur(lena_noise, (11, 11), 0, 0)  # 图像  卷积核大小   x方向的方差  y方向的方差
lena_Gaus_r5 = cv2.GaussianBlur(lena_noise, (5, 5), 0, 0)    # 需要注意卷积核大小必须为奇数

cv2.imshow("lena_noise", lena_noise)
cv2.imshow("lena_Gaus_r11", lena_Gaus_r11)
cv2.imshow("lena_Gaus_r5", lena_Gaus_r5)

cv2.waitKey()
cv2.destroyAllWindows

运行结果：