【图像降噪；边缘增强】高斯滤波（GussianBlur()函数）

高斯滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。
模拟人眼，关注中心区域。
参数：

• x,y是卷积参数坐标
• 标准差σ

σ越小，关注区域越集中

cv2.GussianBlur()函数

语法：GaussianBlur（src，ksize，sigmaX [，dst [，sigmaY [，borderType]]]）-> dst
——src输入图像；图像可以具有任意数量的通道，这些通道可以独立处理，但深度应为CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
——dst输出图像的大小和类型与src相同。
——ksize高斯内核大小。 ksize.width和ksize.height可以不同，但​​它们都必须为正数和奇数，也可以为零，然后根据sigma计算得出。
——sigmaX X方向上的高斯核标准偏差。
——sigmaY Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigmas为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigmaY。

blur_1 = cv2.GaussianBlur(img,(5,5),0)  #(5, 5)表示高斯矩阵的长与宽都是5，标准差取0

高斯金字塔（缩放）

图像金字塔化：先进行图像平滑，再进行降采样，根据降采样率，得到一系列尺寸逐渐减小的图像。

操作：n次（高斯卷积→2倍降采样）→n层金字塔

目的：捕捉不同尺寸的物体

本质：信号的多尺度表示法

直接降采样会损失信息

完整代码如下

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('opencv.png',0) #直接读为灰度图像
for i in range(2000): #添加点噪声
    temp_x = np.random.randint(0,img.shape[0])
    temp_y = np.random.randint(0,img.shape[1])
    img[temp_x][temp_y] = 255

blur_1 = cv2.GaussianBlur(img,(5,5),0)

blur_2 = cv2.medianBlur(img,5)

plt.subplot(1,3,1),plt.imshow(img,'gray')#默认彩色，另一种彩色bgr
plt.subplot(1,3,2),plt.imshow(blur_1,'gray')
plt.subplot(1,3,3),plt.imshow(blur_2,'gray')
plt.show()