cv2高斯模糊

机器学习

发布日期: 2020-04-06

转载自“蛋片机”的文章：Python+OpenCV图像处理（七）—— 滤波与模糊操作

该文章中还具体介绍了均值模糊和边缘保留滤波EPF

高斯滤波（高斯模糊）

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。

数学原理

高斯分布的一维和二维原理如下：

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。高斯模糊具体原理见博文：https://blog.csdn.net/u012992171/article/details/51023768

cv2.GaussianBlur函数

GaussianBlur(src,ksize,sigmaX,dst,sigmaY,borderType )

——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，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。

import cv2
img = cv2.imread('test.png')#img为ndarray格式
processed = cv2.GaussianBlur(img,(5,5),0)
cv2.imshow("processed",processed)
cv2.waitkey(0)
cv2.destoryallwindows()