Python版本是Python3.7.3,OpenCV版本OpenCV.3.4.1,开发环境为PyCharm
在进行均值滤波和方框滤波时,其邻域内每个像素的权重是相等的。在高斯滤波中,会将中心点的权重值加大,远离中心点的权重值减小,在此基础上计算邻域内各个像素值不同权重的和。
7.3.1 基本原理
在高斯滤波中,卷积核中的值不再都是1。例如,一个3×3的卷积核可能如下图所示:
在下图中,针对最左侧的图像内第4行第3列位置上像素值为226的像素点进行高斯卷积,其运算规则为将该点邻域内的像素点按照不同的权重计算和。
使用图中的卷积核,针对第4行第3列位置上的像素值为226的像素点进行高斯滤波处理,计算方式为:
在实际使用中,高斯滤波使用的可能是不同大小的卷积核。例如,下图中分别是3×3、5×5、7×7大小的卷积核。在高斯滤波中,核的宽度和高度可以不相同,但是它们都必须是奇数。
每一种尺寸的卷积核都可以有多种不同形式的权重比例。例如,同样是5×5的卷积核,可能是下图中所示的两种不同的权重比。
在不同的资料中,卷积核有多种不同的表示方式。它们可能如上图所示写在一个表格内,也可能如上图所示写在一个矩阵内。
在实际计算中,卷积核是归一化处理的,这种处理可以表示为上图最左侧的小数形式的卷积核,也可以表示为如上图所示的分数形式。也要注意,在一些资料中,给出的卷积核并没有进行归一化,这时的卷积核可能表示为图中间和右侧所示的卷积核,这样的卷积核是为了说明问题用的,实际使用时往往需要进行归一化。严格来讲,使用没有进行归一化处理的卷积核进行滤波,得到的结果往往是错误的。
7.3.2 函数语法
在OpenCV中,实现高斯滤波的函数是cv2.GaussianBlur(),该函数的语法格式是:
dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )
式中:
● dst是返回值,表示进行高斯滤波后得到的处理结果。
● src是需要处理的图像,即原始图像。它能够有任意数量的通道,并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一种。
● ksize是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意,滤波核的值必须是奇数。
● sigmaX是卷积核在水平方向上(X轴方向)的标准差,其控制的是权重比例。例如,图7-25中是不同的sigmaX决定的卷积核,它们在水平方向上的标准差不同。
● sigmaY是卷积核在垂直方向上(Y轴方向)的标准差。如果将该值设置为0,则只采用sigmaX的值;如果sigmaX和sigmaY都是0,则通过ksize.width和ksize.height计算得到。
其中:
● sigmaX=0.3×[(ksize.width-1)×0.5-1] + 0.8
● sigmaY=0.3×[(ksize.height-1)×0.5-1] + 0.8
● borderType是边界样式,该值决定了以何种方式处理边界。一般情况下,不需要考虑该值,直接采用默认值即可。
在该函数中,sigmaY和borderType是可选参数。sigmaX是必选参数,但是可以将该参数设置为0,让函数自己去计算sigmaX的具体值。
官方文档建议显式地指定ksize、sigmaX和sigmaY三个参数的值,以避免将来函数修改后可能造成的语法错误。当然,在实际处理中,可以显式指定sigmaX和sigmaY为默认值0。因此,函数cv2.GaussianBlur()的常用形式为:
dst = cv2.GaussianBlur( src, ksize, 0, 0 )
7.3.3 程序示例
eg:对噪声图像进行高斯滤波,显示滤波的结果。
代码如下:
import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.GaussianBlur(o,(5,5),0,0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()