Opencv之图像滤波：4.高斯滤波（cv2.GaussianBlur）

        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。

4.1 原理介绍

        在高斯滤波中，卷积核中的值不再都是1。如下图所示

        在实际使用中，高斯滤波使用的可能是不同大小的卷积核，核的宽度和高度可以不相同，但是它们都必须是奇数，可以根据使用需求选定合适的卷积核。每一种尺寸的卷积核都可以有多种不同形式的权重比例。在实际计算中，卷积核是归一化处理的，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。

4.2 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。

        ● 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。

        函数cv2.GaussianBlur（）的常用形式为：
        dst=cv2.GaussianBlur（src,ksize,0,0）

4.3 程序示例

import cv2  as cv
import numpy as np

def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()

*对图像添加高斯噪声
def add_gauss_noise(image, mean=0, val=0.01):
    size = image.shape
    # 对图像归一化处理
    image = image / 255
    gauss = np.random.normal(mean, val**0.05, size)
    image = image + gauss
    return image

img = cv.imread('D:\\dlam.jpg')
if img is None:
    print('Failed to read the image')

img1 = add_gauss_noise(img)
cv_show('img1', img1)

img2 = cv.GaussianBlur(img1, (3, 3), 1, 2)
cv_show('img2', img2)

原图如下：

        

添加高斯噪声：

 高斯滤波结果：

        高斯滤波对高斯噪声消除效果较好。