Python+opencv学习记录7：高斯模糊

1.高斯模糊

高斯模糊（英语：Gaussian Blur），通常用它来减少图像噪声以及降低细节层次。这种模糊技术生成的图像，其视觉效果就像是经过一个半透明的屏幕观察图像。
在计算机视觉算法中，高斯模糊通常用于预处理阶段，降低高斯噪声，以增强图像在不同比例大小下的图像效果。
若想更加细致地了解高斯模糊原理，可以参考高斯模糊的算法

2.代码实现

高斯模糊主要用于滤除高斯噪声，所以我们可以先在一张图片上制造高斯噪声，步骤为：
1.获取图像的高度、宽度、通道数；
2.遍历图像的每一个像素，并获取随机数；
3.将随机数加到原图像上，并保证像素值的正确范围；
4.显示图像。
代码如下：

def clamp(pv):                                 # 保证RGB三色数值不超过255
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    else:
        return pv


def gaussian_noise(image):                      # 高斯噪声
    h, w, c = image.shape                       # 获取图像高度、宽度、通道
    for row in range(h):
        for col in range(w):
            s = np.random.normal(0, 20, 3)      # 获取随机数，3个数的数组
            b = image[row, col, 0]      # 蓝
            g = image[row, col, 1]      # 绿
            r = image[row, col, 2]      # 红

            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])
    cv.imshow("noise_image", image)

我们便可以看到以下效果，
原图为：

加上高斯噪声后

这种效果在我印象里，曾经在读小学时候旧电视出现过。

接下来，我们来了解高斯模糊API：
void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT);
参数如下：
src，输入图像，即源图像；
dst，即目标图像，需要和源图片有一样的尺寸和类型；
ksize，高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数（约定俗成）。或者，它们可以是零的，它们都是由sigma计算而来；
sigmaX，表示高斯核函数在X方向的的标准偏差；
sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。

相应的代码如下：

dst = cv.GaussianBlur(src, (9, 9), 0)
cv.imshow("Gaussian Blur", dst)

此时的效果为：

可以看出，高斯噪声被消除了许多。

完整代码

import cv2 as cv                # 导入opencv模块
import numpy as np              # 导入数学函数库


def clamp(pv):                                 # 保证RGB三色数值不超过255
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    else:
        return pv


def gaussian_noise(image):                      # 高斯噪声
    h, w, c = image.shape                       # 获取图像高度、宽度、通道
    for row in range(h):
        for col in range(w):
            s = np.random.normal(0, 20, 3)      # 获取随机数，3个数的数组
            b = image[row, col, 0]      # 蓝
            g = image[row, col, 1]      # 绿
            r = image[row, col, 2]      # 红

            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])
    cv.imshow("noise_image", image)


print("------------hello python!------------")

src = cv.imread("D:/opencv3/image/snow girl7.png")
cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
cv.imshow("input_image", src)
t1 = cv.getTickCount()
gaussian_noise(src)
t2 = cv.getTickCount()
time = (t2 - t1) / cv.getTickFrequency()
print("time consume: %s"%(time * 1000))
dst = cv.GaussianBlur(src, (9, 9), 0)
cv.imshow("Gaussian Blur", dst)

cv.waitKey(0)
cv.destroyAllWindows()          # 释放所有窗口