假設(shè)一個(gè)列數(shù)為W,行數(shù)為H的高斯卷計(jì)算子gaussKernel,其中W,H均為奇數(shù)，描點(diǎn)位置在（(H-1)/2 ,(W-1)/2）,構(gòu)建高斯卷積核的步驟如下

下面利用Python來實(shí)現(xiàn)構(gòu)建高斯卷積算子

def getGaussKernel(sigma, H, W): r, c = np.mgrid[0:H:1, 0:W:1] r -= (H - 1) / 2 c -= (W - 1) / 2 gaussMatrix = np.exp(-0.5 * (np.power(r) + np.power(c)) / math.pow(sigma, 2)) # 計(jì)算高斯矩陣的和 sunGM = np.sum(gaussMatrix) # 歸一化 gaussKernel = gaussMatrix / sunGM return gaussKernel

高斯卷積核可以分離成一維水平方向上的高斯核和一維垂直方向上的高斯核，在OpenCV中給出了構(gòu)建一維垂直方向上的高斯卷積核的函數(shù)：Mat getGaussianKernel(int ksize, double sigma, in ktype = CV/_64F)

參數(shù) 釋意 ksize 一維垂直方向上的高斯核行數(shù)，正奇數(shù) sigma 標(biāo)準(zhǔn)差 ktype 返回值的數(shù)據(jù)類型為CV_32F或CV_64F，默認(rèn)是CV_64F

下面通過Python代碼來具體的實(shí)現(xiàn)圖像的高斯平滑，我們首先會(huì)對(duì)圖像水平方向進(jìn)行卷積，然后再對(duì)垂直方向進(jìn)行卷積，其中sigma代表高斯卷積核的標(biāo)準(zhǔn)差

def gaussBlur(image,sigma,H,W,_boundary = ’fill’, _fillvalue = 0): #水平方向上的高斯卷積核 gaussKenrnel_x = cv2.getGaussianKernel(sigma,W,cv2.CV_64F) #進(jìn)行轉(zhuǎn)置 gaussKenrnel_x = np.transpose(gaussKenrnel_x) #圖像矩陣與水平高斯核卷積 gaussBlur_x = signal.convolve2d(image,gaussKenrnel_x,mode=’same’,boundary=_boundary,fillvalue=_fillvalue) #構(gòu)建垂直方向上的卷積核 gaussKenrnel_y = cv2.getGaussianKernel(sigma,H,cv2.CV_64F) #圖像與垂直方向上的高斯核卷積核 gaussBlur_xy = signal.convolve2d(gaussBlur_x,gaussKenrnel_y,mode=’same’,boundary= _boundary,fillvalue=_fillvalue) return gaussBlur_xyif __name__ == '__main__': image = cv2.imread('../images/timg.jpg', cv2.IMREAD_GRAYSCALE) cv2.imshow('image',image) #高斯平滑 blurImage = gaussBlur(image, 5, 400, 400, ’symm’) #對(duì)bIurImage進(jìn)行灰度級(jí)顯示 blurImage = np.round(blurImage) blurImage = blurImage.astype(np.uint8) cv2.imshow('GaussBlur', blurImage) cv2.waitKey(0) cv2.destroyAllWindows()

運(yùn)行截圖：

以上就是python 基于opencv實(shí)現(xiàn)高斯平滑的詳細(xì)內(nèi)容，更多關(guān)于python 高斯平滑的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！