原理
高斯滤波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。其滤波核的值由如下公式得到(用当前点与中心点的欧式距离的平方代替下面的(
x
2
+
y
2
x^2+y^2
x2+y2):
G
(
x
,
y
)
=
1
2
Π
σ
e
−
x
2
+
y
2
2
σ
2
G\text{(}x,y\text{)}=\frac{1}{\sqrt{2\varPi}\sigma }e^{-\frac{x^2+y^2}{2\sigma ^2}}
G(x,y)=2Πσ1e−2σ2x2+y2
实现
在高斯滤波中,对每一个元素而言,则用它周围邻域和自身的加权求和代替它自身的值,
假设滤波核是
3
×
3
3\times 3
3×3,
a
5
a_5
a5为当前元素,
它周围8联通的像素值分别是
a
1
、
a
2
、
a
3
、
a
4
、
a
6
、
a
7
、
a
8
、
a
9
a_1、a_2、a_3、a_4、a_6、a_7、a_8、a_9
a1、a2、a3、a4、a6、a7、a8、a9,
它对应的权值分别是
w
1
、
w
2
、
w
3
、
w
4
、
w
5
、
w
6
、
w
7
、
w
8
、
w
9
w_1、w_2、w_3、w_4、w_5、w_6、w_7、w_8、w_9
w1、w2、w3、w4、w5、w6、w7、w8、w9,
则有
其中权值矩阵的值是由该高斯的空间距离公式决定的
G
(
x
,
y
)
=
1
2
Π
σ
e
−
x
2
+
y
2
2
σ
2
G\text{(}x,y\text{)}=\frac{1}{\sqrt{2\varPi}\sigma }e^{-\frac{x^2+y^2}{2\sigma ^2}}
G(x,y)=2Πσ1e−2σ2x2+y2
- 对于前半部分 1 2 Π σ \frac{1}{\sqrt{2\varPi} \sigma } 2Πσ1可以不计算,因为每一个权值都有相同的部分,那么权值归一化时就会抵消这部分。
- 对于σ ,我们指定一个 σ \sigma σ 值 ,σ 越大,那么高斯核函数的局部影响范围就会越大。
- 对于 x 2 + y 2 x^2+y^2 x2+y2 ,是对空间的欧拉距离的的描述,例如: a 1 a_1 a1距离 a 5 a_5 a5 的横坐标差为1,纵坐标差1,则x = 1, y =1,则对应权值为 w 1 = e − 1 2 + 1 2 2 σ 2 w_1 = e^{-\frac{1^2+1^2}{2\sigma ^2}} w1=e−2σ212+12 ,通过该方式可以计算出来每一个像素的权值。
代码
import cv2 as cv
import numpy as np
import math
import copy
gauss = np.array([1,2,1,2,4,2,1,2,1])
def spilt( a ):
if a/2 == 0:
x1 = x2 = a/2
else:
x1 = math.floor( a/2 )
x2 = a - x1
return -x1,x2
def gaussian_b0x(a, b):
judge = 10
sum = 0
box =[]
x1, x2 = spilt(a)
y1, y2 = spilt(b)
for i in range (x1, x2 ):
for j in range(y1, y2):
t = i*i + j*j
re = math.e ** (-t/(2*judge*judge))
sum = sum + re
box.append(re)
box = np.array(box)
box = box / sum
# for x in box :
# print (x)
return box
def original (i, j, k,a, b,img):
x1, x2 = spilt(a)
y1, y2 = spilt(b)
temp = np.zeros(a * b)
count = 0
for m in range(x1, x2):
for n in range(y1, y2):
if i + m < 0 or i + m > img.shape[0] - 1 or j + n < 0 or j + n > img.shape[1] - 1:
temp[count] = img[i, j, k]
else:
temp[count] = img[i + m, j + n, k]
count += 1
return temp
def gaussian_function(a, b, img, gauss_fun ):
img0 = copy.copy(img)
for i in range (0 , img.shape[0] ):
for j in range (2 ,img.shape[1] ):
for k in range (img.shape[2]):
temp = original(i, j, k, a, b, img0)
img[i,j,k] = np.average(temp ,weights = gauss_fun)#按权分配
return img
def main():
gauss_new = gaussian_b0x(3 , 3)
img0 = cv.imread(r"noise.jpg")
gauss_img = gaussian_function(3, 3, copy.copy(img0), copy.copy(gauss_new))
cv.imshow("guassian_img", gauss_img)
cv.imshow("yuantu", img0)
cv.waitKey(0)
cv.destroyAllWindows()
if __name__ == "__main__":
main()