opencv高斯滤波cv2.GaussianBlur

最新推荐文章于 2024-06-17 20:01:35 发布
最新推荐文章于 2024-06-17 20:01:35 发布
阅读量4.7w 收藏 33
点赞数 10
分类专栏： 总结 python-opencv 文章标签： python opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42764391/article/details/89107681
版权 
import cv2

img=cv2.imread('1.jpg')

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

cv2.imshow('GaussianBlur',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
仝笛
关注
  • 10
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
opencv之GaussianBlur()函数
duwangthefirst的博客
04-17 4万+
概述 GaussianBlur()函数用高斯滤波器（GaussianFilter）对图像进行平滑处理。 该函数将源图像与指定的高斯内核进行卷积，同时也支持in-place滤波。 API说明 C++ API： void cv::GaussianBlur ( InputArray src, （原始图像：channels不限，各通道单独处理；depth应当是CV_8U...
Opencv之高斯模糊
qq_37385726的博客
08-24 2万+
目录 一、 高斯模糊 二、实验代码 转自这里   一、 高斯模糊 高斯模糊本质上是低通滤波器，输出图像的每个像素点是原图像上对应像素点与周围像素点的加权和，原理并不复杂。做久了卷积神经网络看这个分外亲切，就是用高斯分布权值矩阵与原始图像矩阵做卷积运算而已。摘录wiki上两段原文： Mathematically, applying a Gaussian blur to an imag...
CV2逐步学习-2:cv2.GaussianBlur()详解
sunjintaoxxx的博客
11-19 7万+
目录 高斯模糊GaussianBlur()中参数详解 1.1. 由参数解释产生的问题 深入理解前的准备：高斯函数、图像滤波处理及卷积核 解释1.2的问题 权重矩阵、高斯模糊的流程 摘要 高斯滤波是一种线性平滑滤波 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。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 基于二维高斯函数，构建权重矩阵，进而构建高斯核
【Python高级编程】使用OpenCV库对图像进行高斯模糊处理及其原理
最新发布
小火龙的博客
06-17 1157
在卷积过程中，高斯核与图像的每个像素及其周围像素相乘，并将结果相加得到新的像素值，从而实现模糊效果。高斯模糊是一种图像平滑技术，通过高斯核对图像进行卷积，达到模糊的效果。高斯核是用来模糊图像的权重矩阵，其中中心像素的权重最大，离中心越远的像素权重越小。其中，((x, y)) 是核矩阵中像素的位置，(\sigma) 是标准差，决定了模糊的程度。高斯函数生成的核矩阵中心的权重最大，周围的权重逐渐减小。总结来说，这段代码使用高斯模糊来平滑输入图像，并显示模糊后的图像。较大的核和标准差会导致更强的模糊效果。
图像去模糊中的均值滤波、高斯滤波、双边滤波简单介绍及代码演示
百年孤独百年的博客
05-03 3951
在本文中，我们介绍了图像去模糊的三种常见方法：均值滤波、高斯滤波和双边滤波。这些方法都是基于滤波器对图像像素进行加权平均来减小噪声和细节的。每种方法都有其优点和缺点，需要根据具体应用场景选择合适的方法。在实际应用中，可以通过调整滤波器的大小和参数来控制图像的平滑程度和细节保留程度。
OpenCV 高斯滤波
꧁༺ʚvv༒catɞ༻꧂的博客
04-24 349
如果原图是彩色图片，可以对RGB三个通道分别做高斯平滑。 cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType) src: 输入图像 ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同 sigmaX: 水平方向的标准差 sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同 borderType:填充边界类型 import cv2 as cv from matplotlib import pyplot as
高斯滤波GaussianBlur()中参数详解
12-21
在Python的OpenCV库中，`cv2.GaussianBlur()`函数提供了实现高斯滤波的功能。下面将详细解释这个函数的各个参数。 1. `src` - 输入图像：这个参数是需要进行滤波操作的原始图像，它可以有任意数量的通道，每个通道...
高斯滤波 C语言代码.rar
08-20
1. **使用OpenCV库**：OpenCV是一个强大的计算机视觉库，提供了现成的高斯滤波函数，如`cv::GaussianBlur()`。使用库可以减少代码量，提高执行效率。 2. **多线程**：如果处理器支持多线程，可以将图像划分为多个...
OpenCV高斯滤波源码
04-17
本篇将详细探讨"OpenCV高斯滤波源码"这一主题，以及如何使用OpenCV来实现图片的高斯滤波，以达到均值滤波降噪的效果。 高斯滤波是一种基于统计学的图像平滑方法，它通过应用一个高斯函数作为权重对图像进行卷积，以...
opencv实现轮廓高斯滤波平滑
08-18
在OpenCV中，高斯滤波函数GaussianBlur可以根据不同的参数来实现不同的高斯滤波效果。例如，我们可以根据图像的尺寸和标准差来确定高斯滤波的kernel size。同时，我们也可以使用GaussianBlurSeparable函数来实现可...
opencv学习(二十)之高斯滤波GaussianBlur()
热门推荐
烟雨博客
01-14 10万+
高斯滤波是一种线性平滑滤波，对于除去高斯噪声有很好的效果。在其官方文档中形容高斯滤波为”Probably the most useful filter”，同时也指出高斯滤波并不是效率最高的滤波算法。高斯算法在官方文档给出的解释是高斯滤波是通过对输入数组的每个点与输入的高斯滤波模板执行卷积计算然后将这些结果一块组成了滤波后的输出数组，通俗的讲就是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
python opencv手动实现cv2.GaussianBlur
TTTree_的博客
06-23 1604
cv2.GaussianBlur()内部的计算逻辑
opencv系列------图像的基础变换
aaaaaaaaaaaaam的博客
07-25 141
图像的基础变换 包含了图片的大小变化，灰度图像变化，二值化变化 import cv2 as cv filename = r'D:\opecv4.0\src\opencv-4.0.0\samples\data\lena.jpg' img = cv.imread(filename) imgGauss = cv.GaussianBlur(img,(5,5),0) #高斯模糊 image1 = cv.resize(img,(int(img.shape[1]/2),int(img.shape[0]/2)))
Gaussian Blur()的使用说明
qq_42612717的博客
05-24 3544
高斯模糊函数的原理： 类似于均值滤波（用周围像素点的均值最为中心点的像素值），二维高斯函数滤波也是利用某点周围的数值进行高斯模型处理，再将处理的数值作为该点的像素值。 这里二维高斯模型为： 对lena.jpg原图进行高斯模糊处理，代码如下： import cv2 import numpy as np img = cv2.imread(“C:\lena.jpg”,1) blurred = cv2.GaussianBlur(img,(11,11),0) ‘gaussimg = img - blurred’ c
OpenCV入门系列 —— GaussianBlur高斯滤波
工业机器视觉
04-30 556
图像滤波、平滑等相关处理操作的目的是在于弱化像素间跳变梯度，将后续需要依靠像素跳变梯度操作的泛性、鲁棒性提升；
python实现人脸检测
weixin_43911004的博客
04-23 1231
python结合opencv库实现人脸检测
OpenCV高斯滤波器、双边滤波器的讲解与实战（附Python源码）
showswoller的博客
01-22 1521
OpenCV高斯滤波器、双边滤波器的讲解与实战（附Python源码）
不使用cv2.GaussianBlur的情况下, 如何用python代码写一个openCV的高斯滤波
05-13
可以使用numpy中的卷积函数实现高斯滤波。 首先，我们需要创建一个高斯核，可以使用scipy中的`scipy.ndimage.gaussian_filter`函数生成一个高斯核，该函数的参数sigma控制高斯核的大小。 然后，我们使用numpy中的`numpy.convolve`函数对图像进行卷积操作，这可以通过将图像和高斯核转换为一维数组来实现。 下面是一个示例代码实现高斯滤波： ``` import numpy as np import cv2 def gaussian_kernel(size, sigma): kernel = np.zeros((size, size)) center = size // 2 for i in range(size): for j in range(size): x = i - center y = j - center kernel[i, j] = np.exp(-(x**2 + y**2) / (2 * sigma**2)) return kernel / (2 * np.pi * sigma**2) def gaussian_filter(image, kernel_size, sigma): kernel = gaussian_kernel(kernel_size, sigma) filtered = np.zeros_like(image) for i in range(image.shape[2]): filtered[:, :, i] = np.convolve(image[:, :, i].flatten(), kernel.flatten(), mode='same').reshape(image.shape[:2]) return filtered.astype(np.uint8) # 读取图像 image = cv2.imread('image.png') # 使用自定义高斯滤波函数进行滤波 filtered = gaussian_filter(image, kernel_size=5, sigma=1) # 显示滤波结果 cv2.imshow('Filtered Image', filtered) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这个示例代码中，`gaussian_kernel`函数用于生成高斯核，`gaussian_filter`函数用于对图像进行高斯滤波。在`gaussian_filter`函数中，我们对每个通道单独进行卷积操作，然后将结果合并成一个三维数组。最后将滤波结果转换为`uint8`类型并显示。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值