1 高斯滤波原理

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。

高斯模板是通过对二维高斯函数进行采样(高斯模糊的卷积核里的数值满足高斯分布)、量化并归一化得到的，它考虑了邻域像素位置的影响，距离当前被平滑像素越近的点，加权系数越大，将加权平均值作为中心像素的输出结果。

加权的目的在于减轻平滑过程中造成的图像模糊

高斯模糊对于从图像中去除高斯噪声非常有效

高斯滤波常用的一个 3×3 模板

2 函数说明

函数原型：dst=GaussianBlur(src，ksize，sigmaX [，dst [，sigmaY [，borderType]]])

参数：

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。ksize：高斯内核大小。 (int,int)；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。dst：输出图像的大小和类型与src相同。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。borderType: 它描述要添加的边框类型。它由cv2等标志定义。cv2.BORDER_CONSTANT cv2.BORDER_REFLECT等

返回值:它返回一个图像。

3 示例

import cv2 as cv

img=cv.imread('C:\\Users\\xxx\\Downloads\\lena.jpg')

gauss=cv.GaussianBlur(img,(7,7),0)# (7,7)为卷积核大小

print(f'原图shape = {img.shape},高斯滤波后的shape = {gauss.shape}') cv.imshow('original',img) cv.imshow('gauss',gauss) cv.waitKey(0) cv.destroyAllWindows()

 运行后结果如下：

 

推荐阅读

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：