【OpenCV 例程200篇】57. 低通高斯滤波器_cv::gaussianblur一维

作者：知新_RL | 2024-02-09 18:18:05

踩

cv::gaussianblur一维

【OpenCV 例程200篇】57. 低通高斯滤波器

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

图像滤波是在尽可能保留图像细节特征的条件下对目标图像的噪声进行抑制，是常用的图像预处理操作。

平滑滤波也称为低通滤波，可以抑制图像中的灰度突变，使图像变得模糊，是低频增强的空间域滤波技术。

平滑滤波常用于：

模糊图像和图像降噪。
在图像重取样前平滑图像以减少混淆
减少图像中无关的细节
平滑因灰度级不足所导致的图像的伪轮廓

2.2 低通高斯滤波器

实际应用中要求卷积核是各向同性的（圆对称），其响应与方向无关。高斯核是唯一可分离的圆对称核，因此非常适合图像处理，对于去除图像中的随机噪声非常有效。

高斯核的数学表达式为：
$\frac{1}{2\pi\sigma^2} e^{- {r^2}/{2\sigma ^2}}$
两个一维高斯函数 f 和 g 的乘积和卷积的均值与标准差如下：

\begin{aligned} m_{f \times g} & = \frac{m_{f} σ_{g}^{2} + m_{g} σ_{f}^{2}}{σ_{g}^{2} + σ_{f}^{2}} & , σ_{f \times g} & = \frac{σ_{f}^{2} * σ_{g}^{2}}{σ_{g}^{2} + σ_{f}^{2}} \\ m_{f ⋆ g} & = m_{f} + m_{g} & , σ_{f ⋆ g}^{2} & = σ_{f}^{2} + σ_{g}^{2} \end{aligned}

$\begin{aligned} m_{f \times g} &= \frac{m_f \sigma _g^2 + m_g \sigma _f^2}{\sigma _g^2 + \sigma _f^2} &,\sigma_{f \times g} &= \frac{\sigma _f^2 * \sigma _g^2}{\sigma _g^2 + \sigma _f^2}\\ m_{f \star g} &= m_f + m_g &,\sigma_{f \star g} ^2 &= \sigma _f^2 + \sigma _g^2 \end{aligned}$

m_{f \times g} m_{f ⋆ g} = \frac{m _{f} σ _{g}^{2} + m _{g} σ _{f}^{2}}{σ _{g}^{2} + σ _{f}^{2}} = m_{f} + m_{g}, σ_{f \times g}, σ_{f ⋆ g}^{2} = \frac{σ _{f}^{2} * σ _{g}^{2}}{σ _{g}^{2} + σ _{f}^{2}} = σ_{f}^{2} + σ_{g}^{2}

OpenCV 提供了 cv.GaussianBlur 函数实现高斯核低通滤波器，cv.getGaussianKernel 函数可以计算一维高斯滤波器的系数。

函数说明：

cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) → dst
cv.getGaussianKernel(ksize, sigma[, ktype]) → retval
1
2

参数说明：

src：低通滤波输入图像，可以是灰度图像，也可以是多通道的彩色图像
dst：低通滤波输出图像，大小和类型与 src 相同
ksize：模糊核的大小，元组 (width, height)，宽度、高度应设为正奇数
sigmaX：x 轴方向的高斯核标准差
sigmaY：y 轴方向的高斯核标准差，可选项
borderType：边界扩充的类型
sigma：高斯核的标准差
retval：返回值，高斯滤波器的系数

注意事项：

sigmaY 缺省时 sigmaY=sigmaX；sigmaY=sigmaX=0 时，由 ksize 自动计算并设置 sigmaY, sigmaX 的值。
如 sigma 为负值，由 ksize 自动计算并设置 sigma 的值：sigma = 0.3*((ksize-1)/2 - 1) + 0.8。

例程 1.71：图像的低通滤波—高斯滤波器

    # 1.71：图像的低通滤波 (高斯滤波器核)
    img = cv2.imread("../images/imgLena.tif", flags=1)

    kSize = (5, 5)
    imgGaussBlur1 = cv2.GaussianBlur(img, (5,5), sigmaX=10)
    imgGaussBlur2 = cv2.GaussianBlur(img, (11,11), sigmaX=20)

    # 计算高斯核
    gaussX = cv2.getGaussianKernel(5, 0)
    gaussXY = gaussX * gaussX.transpose(1, 0)
    print("gaussX:\n", gaussX)
    print("gaussXY:\n", gaussXY)
    
    plt.figure(figsize=(9, 6))
    plt.subplot(131), plt.axis('off'), plt.title("Original")
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.subplot(132), plt.axis('off'), plt.title("ksize=5, sigma=10")
    plt.imshow(cv2.cvtColor(imgGaussBlur1, cv2.COLOR_BGR2RGB))
    plt.subplot(133), plt.axis('off'), plt.title("ksize=11, sigma=20")
    plt.imshow(cv2.cvtColor(imgGaussBlur2, cv2.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

运行结果如下：

gaussX:
 [[0.0625]
 [0.25  ]
 [0.375 ]
 [0.25  ]
 [0.0625]]
 
gaussXY:
 [[0.00390625 0.015625   0.0234375  0.015625   0.00390625]
 [0.015625   0.0625     0.09375    0.0625     0.015625  ]
 [0.0234375  0.09375    0.140625   0.09375    0.0234375 ]
 [0.015625   0.0625     0.09375    0.0625     0.015625  ]
 [0.00390625 0.015625   0.0234375  0.015625   0.00390625]]
1
2
3
4
5
6
7
8
9
10
11
12
13

在这里插入图片描述

（本节完）

youcans@xupt 原创作品，转载必须标注原文链接

Crated：2021-11-29

欢迎关注『OpenCV 例程200篇』系列，持续更新中
欢迎关注『Python小白的OpenCV学习课』系列，持续更新中

【OpenCV 例程200篇】01. 图像的读取（cv2.imread）
【OpenCV 例程200篇】02. 图像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 图像的显示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 显示图像（plt.imshow）
【OpenCV 例程200篇】05. 图像的属性（np.shape）
【OpenCV 例程200篇】06. 像素的编辑（img.itemset）
【OpenCV 例程200篇】07. 图像的创建（np.zeros）
【OpenCV 例程200篇】08. 图像的复制（np.copy）
【OpenCV 例程200篇】09. 图像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 图像的拼接（np.hstack）
【OpenCV 例程200篇】11. 图像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 图像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 图像的加法运算（cv2.add）
【OpenCV 例程200篇】14. 图像与标量相加（cv2.add）
【OpenCV 例程200篇】15. 图像的加权加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的图像加法
 【OpenCV 例程200篇】17. 两张图像的渐变切换
 【OpenCV 例程200篇】18. 图像的掩模加法
 【OpenCV 例程200篇】19. 图像的圆形遮罩
 【OpenCV 例程200篇】20. 图像的按位运算
 【OpenCV 例程200篇】21. 图像的叠加
 【OpenCV 例程200篇】22. 图像添加非中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】23. 图像添加中文文字
 【OpenCV 例程200篇】24. 图像的仿射变换
 【OpenCV 例程200篇】25. 图像的平移
 【OpenCV 例程200篇】26. 图像的旋转（以原点为中心）
【OpenCV 例程200篇】27. 图像的旋转（以任意点为中心）
【OpenCV 例程200篇】28. 图像的旋转（直角旋转）
【OpenCV 例程200篇】29. 图像的翻转（cv2.flip）
【OpenCV 例程200篇】30. 图像的缩放（cv2.resize）
【OpenCV 例程200篇】31. 图像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 图像的扭变（错切）
【OpenCV 例程200篇】33. 图像的复合变换
 【OpenCV 例程200篇】34. 图像的投影变换
 【OpenCV 例程200篇】35. 图像的投影变换（边界填充）
【OpenCV 例程200篇】36. 直角坐标与极坐标的转换
 【OpenCV 例程200篇】37. 图像的灰度化处理和二值化处理
 【OpenCV 例程200篇】38. 图像的反色变换（图像反转）
【OpenCV 例程200篇】39. 图像灰度的线性变换
 【OpenCV 例程200篇】40. 图像分段线性灰度变换
 【OpenCV 例程200篇】41. 图像的灰度变换（灰度级分层）
【OpenCV 例程200篇】42. 图像的灰度变换（比特平面分层）
【OpenCV 例程200篇】43. 图像的灰度变换（对数变换）
【OpenCV 例程200篇】44. 图像的灰度变换（伽马变换）
【OpenCV 例程200篇】45. 图像的灰度直方图
 【OpenCV 例程200篇】46. 直方图均衡化
 【OpenCV 例程200篇】47. 图像增强—直方图匹配
 【OpenCV 例程200篇】48. 图像增强—彩色直方图匹配
 【OpenCV 例程200篇】49. 图像增强—局部直方图处理
 【OpenCV 例程200篇】50. 图像增强—直方图统计量图像增强
 【OpenCV 例程200篇】51. 图像增强—直方图反向追踪
 【OpenCV 例程200篇】52. 图像的相关与卷积运算
 【OpenCV 例程200篇】53. Scipy 实现图像二维卷积
 【OpenCV 例程200篇】54. OpenCV 实现图像二维卷积
 【OpenCV 例程200篇】55. 可分离卷积核
 【OpenCV 例程200篇】56. 低通盒式滤波器
 【OpenCV 例程200篇】57. 低通高斯滤波器
 【OpenCV 例程200篇】58. 非线性滤波—中值滤波
 【OpenCV 例程200篇】59. 非线性滤波—双边滤波
 【OpenCV 例程200篇】60. 非线性滤波—联合双边滤波
 【OpenCV 例程200篇】61. 导向滤波（Guided filter）
【OpenCV 例程200篇】62. 图像锐化——钝化掩蔽
 【OpenCV 例程200篇】63. 图像锐化——Laplacian 算子
 【OpenCV 例程200篇】64. 图像锐化——Sobel 算子
 【OpenCV 例程200篇】65. 图像锐化——Scharr 算子
 【OpenCV 例程200篇】66. 图像滤波之低通/高通/带阻/带通
 【OpenCV 例程200篇】67. 空间域图像增强的综合应用
 【OpenCV 例程200篇】68. 空间域图像增强的综合应用
 【OpenCV 例程200篇】69. 连续非周期信号的傅立叶系数
 【OpenCV 例程200篇】70. 一维连续函数的傅里叶变换
 【OpenCV 例程200篇】71. 连续函数的取样
 【OpenCV 例程200篇】72. 一维离散傅里叶变换
 【OpenCV 例程200篇】73. 二维连续傅里叶变换
 【OpenCV 例程200篇】74. 图像的抗混叠
 【OpenCV 例程200篇】75. Numpy 实现图像傅里叶变换
 【OpenCV 例程200篇】76. OpenCV 实现图像傅里叶变换
 【OpenCV 例程200篇】77. OpenCV 实现快速傅里叶变换
 【OpenCV 例程200篇】78. 频率域图像滤波基础
 【OpenCV 例程200篇】79. 频率域图像滤波的基本步骤
 【OpenCV 例程200篇】80. 频率域图像滤波详细步骤
 【OpenCV 例程200篇】81. 频率域高斯低通滤波器
 【OpenCV 例程200篇】82. 频率域巴特沃斯低通滤波器
 【OpenCV 例程200篇】83. 频率域低通滤波：印刷文本字符修复
 【OpenCV 例程200篇】84. 由低通滤波器得到高通滤波器
 【OpenCV 例程200篇】85. 频率域高通滤波器的应用
 【OpenCV 例程200篇】86. 频率域滤波应用：指纹图像处理
 【OpenCV 例程200篇】87. 频率域钝化掩蔽
 【OpenCV 例程200篇】88. 频率域拉普拉斯高通滤波
 【OpenCV 例程200篇】89. 带阻滤波器的传递函数
 【OpenCV 例程200篇】90. 频率域陷波滤波器
 【OpenCV 例程200篇】91. 高斯噪声、瑞利噪声、爱尔兰噪声
 【OpenCV 例程200篇】92. 指数噪声、均匀噪声、椒盐噪声
 【OpenCV 例程200篇】93. 噪声模型的直方图
 【OpenCV 例程200篇】94. 算术平均滤波器
 【OpenCV 例程200篇】95. 几何均值滤波器
 【OpenCV 例程200篇】96. 谐波平均滤波器
 【OpenCV 例程200篇】97. 反谐波平均滤波器
 【OpenCV 例程200篇】98. 统计排序滤波器
 【OpenCV 例程200篇】99. 修正阿尔法均值滤波器
 【OpenCV 例程200篇】100. 自适应局部降噪滤波器

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/知新_RL/article/detail/72621