從頭學習opencv（7）高斯模糊

部落格寫的比較簡單，不過我發現了一下很不錯的博主，看他的可以理解很多學習的時候不明白的地方。這篇文章很多參考了他的部落格p/9097231.html

#高斯雜訊
def gaussian_noise(image):
h,w,c=image.shape
for row in range(h):
for col in range(w):
s=np.random.normal(0,20,3)
b=image[row,col,0]#blue
g=image[row,col,1]#green
r=image[row,col,2]#red
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("gaussian_noise",image)

1.高斯模糊實質上就是一種均值模糊，只是高斯模糊是按照加權平均的，距離越近的點權重越大，距離越遠的點權重越小。通俗的講，高斯濾波就是對整幅影象進行加權平均的過程，每乙個畫素點的值，都由其本身和鄰域內的其他畫素值經過加權平均後得到。

2.高斯分布的一維和二維原理如下：

補：高斯分布的標準差σ。標準差代表著資料的離散程度，如果σ較小，那麼生成的模板的中心係數較大，而周圍的係數較小，這樣對影象的平滑效果就不是很明顯；反之，σ較大，則生成的模板的各個係數相差就不是很大，比較類似均值模板，對影象的平滑效果比較明顯。高斯模糊具體原理見博文：

#高斯模糊
#如果前面設定了值，後面的就不起作用
#dst=cv.gaussianblur(src,(0,0),15)
dst=cv.gaussianblur(src,(5,5),0)
#修改之後，輸出沒有那麼模糊，說明高斯模糊對高斯雜訊有抑制作用

高斯模糊gaussianblur函式原型：gaussianblur(src, ksize, sigmax[, dst[, sigmay[, bordertype]]]) -> dst

src引數表示待處理的輸入影象。

ksize引數表示高斯濾波器模板大小。 ksize.width和ksize.height可以不同，但它們都必須是正數和奇數。或者，它們可以是零，即（0, 0），然後從σ計算出來。

sigmax引數表示 x方向上的高斯核心標準差。

sigmay引數表示 y方向上的高斯核心標準差。如果sigmay為零，則設定為等於sigmax，如果兩個sigma均為零，則分別從ksize.width和ksize.height計算得到。

補：若ksize不為(0, 0)，則按照ksize計算，後面的sigmax沒有意義。若ksize為(0, 0)，則根據後面的sigmax計算ksize

numpy包裡的random模組用於生成隨機數，random模組裡的normal函式表示的是生成高斯隨機數。

normal函式預設原型：normal(loc=0.0, scale=1.0, size=none)。

loc引數表示高斯分布的中心點。

scale引數表示高斯分布的標準差σ。

size引數表示產生隨機數的個數。size取值可以為（m，n，k），表示繪製mnk個樣本。

import cv2 as cv
import numpy as np
#防止pv值超出255溢位
def clamp(pv):
if pv>255:
return 255
if pv<0:
return 0
else:
return pv
#高斯雜訊
def gaussian_noise(image):
h,w,c=image.shape
for row in range(h):
for col in range(w):
s=np.random.normal(0,20,3)
b=image[row,col,0]#blue
g=image[row,col,1]#green
r=image[row,col,2]#red
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("gaussian_noise",image)
src = cv.imread("c:/users/administrator/desktop/demo.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))
#高斯模糊
#如果前面設定了值，後面的就不起作用
#dst=cv.gaussianblur(src,(0,0),15)
dst=cv.gaussianblur(src,(5,5),0)
#修改之後，輸出沒有那麼模糊，說明高斯模糊對高斯雜訊有抑制作用
cv.imshow("gaussian blur",dst)
cv.waitkey(0)
cv.destroyallwindows()
print("hi,python!")

從頭學習opencv（7）高斯模糊

Opencv之高斯模糊

opencv學習筆記（8）高斯雜訊與高斯模糊

OpenCV7 形態學操作

從頭學習opencv（7） 高斯模糊

Opencv之高斯模糊

opencv學習筆記（8）高斯雜訊與高斯模糊

OpenCV7 形態學操作

相關推薦

從頭學習opencv（7）高斯模糊