高斯模糊实质上就是一种均值模糊,只是高斯模糊是按照加权平均的,距离越近的点权重越大,距离越远的点权重越小。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
高斯分布的一维和二维原理如下:
补:高斯分布的标准差σ。标准差代表着数据的离散程度,如果σ较小,那么生成的模板的中心系数较大,而周围的系数较小,这样对图像的平滑效果就不是很明显;反之,σ较大,则生成的模板的各个系数相差就不是很大,比较类似均值模板,对图像的平滑效果比较明显。
import cv2 as cv
import numpy as np
def clamp(pv):
if pv>255:
return 255
if pv<0:
return 0
return pv
def gaussian_noise(image):
h,w,c =image.shape
for row in range(h):
for col in range(w):
s =np.random.normal(0,20,3)
b =image[row,col,0]#blue
g =image[row,col,1]#green
r =image[row,col,2]#red
image[row, col, 0] =clamp(b+s[0])
image[row, col, 1] =clamp(g+s[1])
image[row, col, 2] =clamp(r+s[2])
cv.imshow("niose image",image)
src =cv.imread("C:\\Users\\william\\Pictures\\go.jpg")
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow("input image",src)
gaussian_noise(src)
dst =cv.GaussianBlur(src,(5,5),0)
cv.imshow("gaussian",dst)
cv.waitKey(0)
cv.destroyAllWindows()
高斯模糊GaussianBlur函数原型:
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
src参数表示待处理的输入图像。
ksize参数表示高斯滤波器模板大小。 ksize.width和ksize.height可以不同,但它们都必须是正数和奇数。或者,它们可以是零,即(0, 0),然后从σ计算出来。
sigmaX参数表示 X方向上的高斯内核标准差。
sigmaY参数表示 Y方向上的高斯内核标准差。 如果sigmaY为零,则设置为等于sigmaX,如果两个sigma均为零,则分别从ksize.width和ksize.height计算得到。
补:若ksize不为(0, 0),则按照ksize计算,后面的sigmaX没有意义。若ksize为(0, 0),则根据后面的sigmaX计算ksize
4.numpy包里的random模块用于生成随机数,random模块里的normal函数表示的是生成高斯随机数。
normal函数默认原型:normal(loc=0.0, scale=1.0, size=None)。
loc参数表示高斯分布的中心点。
scale参数表示高斯分布的标准差σ。
size参数表示产生随机数的个数。size取值可以为(m,n,k),表示绘制m*n*k个样本。
实验图像:
高斯过滤可以很好的过滤掉高斯噪声,他保留了图像的原本轮廓,可以实现毛玻璃效果