图像平滑处理（高斯滤波和中值滤波）

#图像平滑处理（高斯滤波和中值滤波）| 来源: 网络整理| 查看: 265

一、引言 1、什么是图片平滑处理？

图像平滑处理（Image Smoothing）是图像处理的一种常见技术，用于减少图像中的噪声和细节，从而产生更加模糊或平滑的图像。这个过程在图像处理中有各种应用，包括去噪、边缘检测前的预处理、纹理分析、模式识别等。图像平滑处理通过模糊图像中的亮度和颜色信息，从而减少噪声并使图像更具可处理性。

2、以下是俩种图片平滑处理方法？ 1）高斯滤波（Gaussian Filter）：

高斯滤波使用一个高斯分布的权重核来对图像进行加权平均。这意味着中心像素的权重最高，周围像素的权重逐渐减小。高斯滤波通常比均值滤波更有效，因为它更好地保留了图像的细节。

对应python函数为：

cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])

其中参数为

参数说明： src:输入图像，通常是一个NumPy数组。 ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5, 5)表示一个5x5的滤波器。 sigmaX和sigmaY:分别表示在X轴和Y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0,这意味着没有高斯模糊。 dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。 2）中值滤波（Median Filter）：

中值滤波用于去除图像中的椒盐噪声（Salt and Pepper Noise）。它使用一个窗口内像素值的中值替代中心像素值，因此对异常值具有鲁棒性(也就是健壮和强壮的意思。它是在异常和危险情况下系统生存的能力)，但可能在某些情况下不如均值或高斯滤波平滑。

对应python函数为：

cv2.medianBlur(src, ksize[, dst])

其中参数为：

参数说明： src:输入图像。 ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示一个5x5的滤波器。 dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。二、实现代码 1、导入库 import cv2 2、所需图像：

noise.png

3、高斯滤波处理 GaussianB = cv2.GaussianBlur(noise,(3,3),1) #标准差为1，标准正太分布。 cv2.imshow('GaussianBlur',GaussianB) cv2.waitKey(0)#按任意键退出 cv2.destroyAllWindows()

输出结果为：

4、中值滤波： medianB=cv2.medianBlur(noise,3) cv2.imshow('medianB',medianB) cv2.waitKey(0) cv2.destroyAllWindows()

输出结果为：

注：中值滤波是去噪效果较好的图片平滑处理方法

【本文地址】

公司简介

联系我们