Python+OpenCV高斯滤波源码编写

高斯滤波需要用到高斯滤波器，即卷积核。本博客用到的是3*3的卷积核，通过对原理剖析发现，高斯卷积核中的具体值仅和自身坐标有关系，与图像没有直接联系，故可以先计算卷积核，之后进行图像的高斯滤波。
算法步骤：
（1）根据公式，计算高斯卷积核内具体值，此处用到建立二维高斯卷积核，在编写过程中省去了系数部分（不知道为什么省去，无奈。。。），并且对公式做了小小的修改（根据CSDN其他大佬的算法操作），记得归一化；
（2）对输入图像进行灰度化处理；
（3）遍历灰度图像素点，对像素点邻域（和高斯卷积核一般大）进行高斯滤波。
代码如下：

import cv2 as cv
import math
import numpy as np

# 灰度化处理
def rgb2gray(img):
    h=img.shape[0]
    w=img.shape[1]
    img1=np.zeros((h,w),np.uint8)
    for i in range(h):
        for j in range(w):
            img1[i,j]=0.144*img[i,j,0]+0.587*img[i,j,1]+0.299*img[i,j,1]
    return img1

# 计算高斯卷积核
def gausskernel(size):
    sigma=1.0
    gausskernel=np.zeros((size,size),np.float32)
    for i in range (size):
        for j in range (size):
            norm=math.pow(i-1,2)+pow(j-1,2)
            gausskernel[i,j]=math.exp(-norm/(2*math.pow(sigma,2)))   # 求高斯卷积
    sum=np.sum(gausskernel)   # 求和
    kernel=gausskernel/sum   # 归一化
    return kernel

# 高斯滤波
def gauss(img):
    h=img.shape[0]
    w=img.shape[1]
    img1=np.zeros((h,w),np.uint8)
    kernel=gausskernel(3)   # 计算高斯卷积核
    for i in range (1,h-1):
        for j in range (1,w-1):
            sum=0
            for k in range(-1,2):
                for l in range(-1,2):
                    sum+=img[i+k,j+l]*kernel[k+1,l+1]   # 高斯滤波
            img1[i,j]=sum
    return img1

image = cv.imread("D:/Testdata/selina.png")
grayimage=rgb2gray(image)
gaussimage = gauss(grayimage)
cv.imshow("image",image)
cv.imshow("grayimage",grayimage)
cv.imshow("gaussimage",gaussimage)
cv.waitKey(0)
cv.destroyAllWindows()

实验结果：

上图从左至右分别是原图像，灰度图，高斯滤波图。对清晰的图像滤波其结果会变模糊，实验结果符合理论依据。以上便是高斯滤波。