一、函数基础
GaussianBlur函数是一种图像卷积函数，作用是对图像进行高斯滤波，它的使用方法如下所示：
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])其中，参数含义如下：
- src：输入图像
- ksize：高斯内核的大小
- sigmaX：X方向高斯核标准差
- sigmaY：Y方向高斯核标准差，可选，默认为0
- dst：输出图像，可选
- borderType：边缘处理方式，可选，默认为BORDER_DEFAULT
函数的返回值是处理后的图像。
在卷积运算中，每个像素点都会与一个卷积核进行计算。对于高斯滤波，以当前像素点为中心的部分像素点会被卷积核权值加权平均。卷积核的大小和形状决定了高斯滤波的效果。卷积核越大，高斯滤波的程度越高。
二、高斯滤波作用
高斯滤波的主要作用是消除图像中的噪点并平滑图像细节。
图像除了包含对应灰度或彩色信息，还包含一些无用的噪点以及由传感器等造成的不均匀扭曲。而高斯滤波可以清除这些噪点，使得图像更加清晰。
三、参数ksize的影响
ksize是高斯内核的大小。它决定了卷积核的大小，从而影响高斯滤波的效果。
当ksize较小时，高斯滤波的效果较弱，图像仅仅会有一些轻微的平滑；当ksize较大时，效果明显，图像会变得十分模糊。
下面是一个示例代码，对同一张图片进行了不同大小的高斯滤波处理。
import cv2
import numpy as np
img = cv2.imread('example.jpg')
img_small = cv2.GaussianBlur(img, (5, 5), 0)
img_big = cv2.GaussianBlur(img, (51, 51), 0)
cv2.imwrite('example_small.jpg', img_small)
cv2.imwrite('example_big.jpg', img_big)其中，img为原图，img_small为5×5内核高斯模糊后的图像，img_big为51×51内核高斯模糊后的图像。
四、参数sigmaX和sigmaY的影响
sigmaX和sigmaY决定了顶部和底部的像素和左侧和右侧的像素的不同权重。
当sigmaX和sigmaY都为0，高斯核的大小仅取决于ksize。当sigmaX和sigmaY都不为0时，高斯核的大小会自动根据sigma计算，同时，对于方形的卷积核，sigmaX与sigmaY应取值相等。
下面是一个示例，对于同一张图像，调节sigmaX和sigmaY的值，观察高斯滤波后的图像变化。
import cv2
import numpy as np
img = cv2.imread('example.jpg')
img_sigma1 = cv2.GaussianBlur(img, (51, 51), 50, 1)
img_sigma2 = cv2.GaussianBlur(img, (51, 51), 50, 10)
img_sigma3 = cv2.GaussianBlur(img, (51, 51), 50, 50)
cv2.imwrite('example_sigma1.jpg', img_sigma1)
cv2.imwrite('example_sigma2.jpg', img_sigma2)
cv2.imwrite('example_sigma3.jpg', img_sigma3)其中，img_sigma1为sigmaX=1，img_sigma2为sigmaX=10，img_sigma3为sigmaX=50的高斯滤波后的图像。
五、边缘处理方式的选择
在进行高斯滤波时，根据边缘的处理方式，可以将其分为以下几类：
- BORDER_CONSTANT：用常数填充，常数值需要提供
- BORDER_REPLICATE：复制最后一行或最后一列
- BORDER_REFLECT：以边缘元素为轴，对称复制
- BORDER_WRAP：按照镜像方式截取
常见的处理方式是BORDER_DEFAULT，这会根据图像大小自动选择边缘处理方式。
六、结语
高斯滤波是图像处理中最常用的滤波方式之一。通过对图像进行高斯滤波，可以有效消除图像中的噪点并平滑图像细节。在使用时需要注意调节卷积核大小、sigmaX和sigmaY等参数，保证得到最优的滤波效果。
原创文章，作者：小蓝，如若转载，请注明出处：https://www.506064.com/n/152902.html
微信扫一扫 
支付宝扫一扫 