行业门户网站如何做,美丽南方的网站建设,营业执照年审登录入口,关键词生成器 在线在进行均值滤波和方框滤波时#xff0c;其邻域内每个像素的权重是相等的。在高斯滤波中#xff0c;会将中心点的权重值加大#xff0c;远离中心点的权重值减小#xff0c;在此基础上计算邻域内各个像素值不同权重 的和。 基本原理
在高斯滤波中#xff0c;卷积核中的值不… 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。 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 的卷积核可能如图 7-20 所示 在图 7-21 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。 在实际计算时使用的卷积核如图 7-22 中的卷积核所示。 使用图 7-22 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。例如图 7-23 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 的卷积核可能是图 7-24 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。它们可能如图 7-23 所示写在一个表格内也可能如图 7-24 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图 7-23 最左侧的小数形式的卷积核也可以表示为如图 7-24 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 7-23 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。
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 ) 实验:对噪声图像进行高斯滤波显示滤波的结果。
代码如下:
import cv2
ocv2.imread(lenaNoise.png)
rcv2.GaussianBlur(o,(5,5),0,0)
cv2.imshow(original,o)
cv2.imshow(result,r)
cv2.waitKey()
cv2.destroyAllWindows()运行结果:其中左图是原始图像右图是高斯滤波后的处理 结果图像。
