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,会中心点的权重值加大,远离中心点的权重销减小,在 此基础上计算邻域内各个像素值不同权重
7.3.1 基本原理
在高滤波中,卷积核中的值不都是1 例如,一个 3x3 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
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:
新值=(40×0.05+107×0.1+5×005)
+(198×0.1+226×0.4+223×0,1)
+(37×0.05+68×0.1+193×0.05） =164
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 3x3 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准比例、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
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)
1.dst 是返回值,表示进行高斯滤波后得到的处理结果。
2.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_16、CV_32F 或者 CV_64F 中的一种
3.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级是奇数
4.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
5.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
6.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
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:
cv2.GaussianBlur(src,ksize,0,0)
7.3.3 程序示例
【例 7.6】对噪声图像进行高斯滤波,显示滤波的结果
根据题日要求,采用函数 cv2.GaussianBlur()实现高斯滤波,编写程序代码为
import cv2
o=cv2.imread("C:\\Users\\Administrator\\Desktop\\opencv\\lenaNoise.png")
r=cv2.GaussianBlur(o,(5,5),0,0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()
运行上述程序后,结果如图 7-26 所示,其中左图是原始图像,右图是高斯滤波后的处理 结果图像。
