数字图像处理100问—09高斯滤波（Gaussian Filter）

cv_rsrc

已于 2022-04-27 23:23:37 修改

阅读量3.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：数字图像处理100问文章标签： python 计算机视觉 opencv 人工智能图像处理

于 2022-04-26 21:52:29 首次发布

本文链接：https://blog.csdn.net/cv_rsrc/article/details/124436680

数字图像处理100问专栏收录该内容

43 篇文章

订阅专栏

本文介绍了如何从头开始利用Python的OpenCV库，通过3x3高斯滤波器（σ=1.3）对图像进行噪声去除，包括边缘补零、权重计算与归一化过程，最后展示处理后的结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

提示：内容整理自：https://github.com/gzr2017/ImageProcessing100Wen
CV小白从0开始学数字图像处理

09高斯滤波（Gaussian Filter）

使用高斯滤波器（3x3 大小，标准差 s=1.3）进行降噪处理

高斯滤波器是一种可以使图像平滑的滤波器，用于去除噪声。可用于去除噪声的滤波器还有中值滤波器，平滑滤波器、LoG 滤波器。

高斯滤波器将中心像素周围的像素按照高斯分布加权平均进行平滑化。这样的（二维）权值通常被称为卷积核或者滤波器。

但是，由于图像的长宽可能不是滤波器大小的整数倍，因此我们需要在图像的边缘补0。这种方法称作 Zero Padding。并且权值（卷积核）要进行归一化操作(sum g = 1)。

权值 g(x,y,s) = 1/ (s*sqrt(2 * pi)) * exp( - (x^2 + y^2) / (2*s^2))
标准差 s = 1.3 的 8 近邻 高斯滤波器如下：
            1 2 1
K =  1/16 [ 2 4 2 ]
            1 2 1

代码如下：

1.引入库

CV2计算机视觉库

import cv2
import numpy as np

2.读入数据

img = cv2.imread("imori_noise.jpg")
H, W, C = img.shape

3.高斯滤波

K_size = 3
sigma = 1.3

4.边缘补0

pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)

5.Kernel

K = np.zeros((K_size, K_size), dtype=np.float)
for x in range(-pad, -pad+K_size):
    
    for y in range(-pad, -pad+K_size):
        K[y+pad, x+pad] = np.exp( -(x**2 + y**2) / (2* (sigma**2)))
K /= (sigma * np.sqrt(2 * np.pi))
K /= K.sum()

tmp = out.copy()

for y in range(H):
    for x in range(W):
        for c in range(C):
            out[pad+y, pad+x, c] = np.sum(K * tmp[y:y+K_size, x:x+K_size, c])

out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

6.保存结果

cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

7.高斯滤波处理后结果

在这里插入图片描述