本专栏主要介绍如果通过OpenCv-Python进行图像处理，通过原理理解OpenCv-Python的函数处理原型，在具体情况中，针对不同的图像进行不同等级的、不同方法的处理，以达到对图像进行去噪、锐化等一系列的操作。同时，希望观看本专栏的小伙伴可以理解到OpenCv进行图像处理的强大哦，如有转载，请注明出处(原文链接和作者署名)，感谢各位小伙伴啦！   前文参考： 《OpenCv视觉之眼》Python图像处理一 :Opencv-python的简介及Python环境搭建 《OpenCv视觉之眼》Python图像处理二 :Opencv图像读取、显示、保存基本函数原型及使用 《OpenCv视觉之眼》Python图像处理三 :Opencv图像属性、ROI区域获取及通道处理 《OpenCv视觉之眼》Python图像处理四 :Opencv图像灰度处理的四种方法及原理   上次博客讲到图像灰度处理的四种方法原理，以及通过原理编写图像灰度处理函数，然后结合OpenCv图像灰度处理函数库进行对比，理解不同处理方法之间的不同处理原理，并总结出了Gamma校正灰度化是对图像对人眼视觉最好的一种图像灰度化方法，相信阅读过的小伙伴应该是可以理解的。   本次博客，我们将讲解OpenCV如何对图像进行去噪，一般情况下，通过OpenCV对图像进行处理，我们首先应该考虑的就是去除图像中的噪声点，例如椒盐噪声等，避免在后续的图像处理中影响相应进程，OpenCV对于图像去噪(又称图像平滑)提供了四种方法，分别是均值滤波、方框滤波、中值滤波和高斯滤波，并且提供了这几种方法的库函数，   本次博客，林君学长主要给大家讲解这几种方法去噪的原理，并通过原理编写自己的去噪函数，当然，也会带大家了解如何使用库函数，因为在对图像处理的现实中，我们肯定会使用库函数进行图像处理，OpenCV官方对他们的库函数进行过优化，执行速度非常快；而我们自己通过原理编写代码只是为了研究库函数处理的原理，较于使用多次for循环，因此执行速度是比较慢的，现在，开始学习吧！   在进行下面几种滤波的学习时，应该提前考虑如下几点：  
  1.图像与核进行卷积后的结果图像，相比于原图像像素会变少，给我们的视觉感受就是结果图周围会有一层黑边，黑边的厚度取决于核尺寸的大小，因此，在进行核卷积的时候，需要将图像进行扩充，这样进行核卷积的起始点才是原图像的第一个点，图像扩充的边的像素同样也取决于核的尺寸   2.图像简单平滑(去噪)是指通过邻域简单平均对图像进行平滑处理的方法，用这种方法在一定程度上消除原始图像中的噪声、降低原始图像对比度的作用。它利用卷积运算对图像邻域的像素灰度进行平均，从而达到减小图像中噪声影响、降低图像对比度的目的。但邻域平均值主要缺点是在降低噪声的同时使图像变得模糊，特别在边缘和细节处，而且邻域越大，在去噪能力增强的同时模糊程度越严重。包括均值滤波和方框滤波，不包括中值滤波   3.中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。   4.下面四种方法其实是三种去噪方法，分别是临域平均法(均值滤波和方框滤波)、中值滤波法和高斯滤波法

  图像去噪处理一般来说是在图像灰度处理之后，图像灰度化之后，会存在噪声点，这些噪声是我们不需要的噪声，因此我们需要对图像进行模糊，去除这些噪声点；当然，只是一般来说，如果对于彩色图像，同样也是可以进行去噪的，即在读取彩色图像后便可以进行滤波降噪处理，这个后面我们会讲到，但滤波处理也只能降低噪声的数量，并不能完全消除，即使调整核函数尺寸也不行，去得太多，将会影响图中我们需要的部分，这也是缺点之一，但后续的其他处理可以解决这个问题，滤波处理我们暂时不用考虑  

• 既然是去除图像中的噪声，我们首先便需要增加选取一张具有噪声的图像，然后进行各种滤波处理，这是一个方法，同时我们还可以自己给图像增加噪声，形成噪声图像，Python代码如下所示：

#给图像加噪声
import cv2
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h)   #随机取行
    y = np.random.randint(0, w)   #随机取列
    img[x,y,:] = 255     #行和列设置为白色噪声点
#BGR转换为RGB显示格式，方便通过matplotlib进行图像显示
img= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#显示图像
plt.imshow(img)     
plt.axis('off')#关闭坐标轴  设置为on则表示开启坐标轴
plt.savefig('my1.jpg') #保存图像
plt.show()#显示图像

一、均值滤波

1、均值滤波原理

  1）、均值滤波原理 均值滤波是指任意一点的像素值，都是周围NM个像素值的均值。例如下图中，红色点的像素值为蓝色背景区域像素值之和除25：  
  2）、那么，将以上原理转化为数学公式就可以如下理解： img[核中心点像素]= ((197+25+106+156+159)+ (149+40+107+5+71)+ (163+198+ 226+223+156)+ (222+37+68+193+157)+ (42+72+250+41+75)) / 25   3）、上图原理中，蓝色区域的确定是由核函数的尺寸确定的，因此，为了将抽象变为形象，我们通过原来的像素与核进行卷积(对于相乘相加)，将本来每个像素相加的和除以25变为每一个像素与1/25相乘然后相加，也就是上面出现的蓝色区域与核进行卷积相乘，其中55的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像：  
 

2、自定义均值滤波函数

  1）、通过以上原理，我们不难发现，如果是通过原图与核进行卷积，卷积之后的图的尺寸是会变小的，最后结果给我们的视觉体验就是在图周围有一圈黑边，这一圈黑边是没有进行到卷积的地方，因此，我们需要将原图进行扩充，使得第一次卷积的地方就是原图的[0,0]点，在卷积后，扩充的地方是没有进行卷积的，所以我们从扩充的图中裁剪出原图就可以了，接下来，通过原理实现该代码吧！   2）、自定义均值滤波函数  

import cv2
import numpy as np
def meanFiltering1(img,size): #img输入，size均值滤波器的尺寸，>=3，且必须为奇数
    num = int((size - 1) / 2)  # 输入图像需要填充的尺寸
    img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对传入的图像进行扩充，尺寸为num
    h1, w1 = img.shape[0:2]
    # 高斯滤波
    img1 = np.zeros((h1, w1, 3), dtype="uint8") #定义空白图像，用于输出中值滤波后的结果
    for i in range(num, h1-num): #对扩充图像中的原图进行遍历
        for j in range(num, w1-num):
            sum=0
            sum1=0
            sum2=0
            for k in range(i-num,i+num+1):  #求中心像素周围size*size区域内的像素的平均值
                for l in range(j-num,j+num+1):
                    sum=sum+img[k,l][0] #B通道
                    sum1=sum1+img[k,l][1] #G通道
                    sum2=sum2+img[k,l][2]  #R通道
            sum=sum/(size**2)  #除以核尺寸的平方
            sum1 = sum1/(size**2)
            sum2 = sum2/(size**2)
            img1[i, j]=[sum,sum1,sum2] #复制给空白图像
    img1=img1[(0+num):(h1-num),(0+num):(h1-num)] #从滤波图像中裁剪出原图像
    return img1

  3）、读取图像加噪声，然后进行均值滤波处理并显示  

#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用均值滤波函数
result=meanFiltering1(img,5) #传入读取的图像和核尺寸
cv2.imshow("Noise",img)
cv2.imshow("meanFiltering",result)
cv2.waitKey(0)

 
  由于通过原理编写的代码，用到了多重for循环，因此，代码运行的时间较长，但我们可以很清楚的看到，在进行均值滤波之后，噪声图像上的噪声明显减少，达到了去噪的目的！  

3、OpenCV均值滤波库函数使用

  1）、在OpenCV对图像去噪处理中，也提供了均值滤波处理的库函数，处理原理是一样的，主要是运算速度快，OpenCV官方对for循环进行了优化，大大提升了代码运算速度，主要还是开源的，函数原型如下：   2）、函数原型:cv2.blur(img,(szie,size))

• img:img表示需要进行中值滤波处理的图像
• (size,size)：表示核大小，是以（宽度，高度）表示的元祖形式。常见的形式包括：核大小（3，3）和（5，5）

  3）、中值滤波库函数使用  

import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用均值滤波函数
result=cv2.blur(img,(5,5)) #传入读取的图像和核尺寸
cv2.imshow("Noise",img)
cv2.imshow("meanFiltering-OpenCV",result)
cv2.waitKey(0)

 
  可以看到，都为5×5的核，原理处理和库函数处理的效果基本一致，都有效的降低了图像噪声，接下来，我们讲解方框滤波！  

二、方框滤波

1、方框滤波原理

  1）、方框滤波原理 方框滤波原理和均值滤波原理基本一致，区别是需不需要均一化处理；需要均一化处理，则原理和均值滤波相同；如果不需要均一化处理，很容易发生溢出，溢出时均为白色，设置对应像素值为255，而对于均一化或者非均一化处理主要通过传递参数normalize来进行区别，当normalize=Ture时，表示需要均一化处理，而当normalize=Flase时，则表示不需要均一化处理(非均一化处理)，则将溢出部分的像素值设置为0   2）、将以上原理转化为我们可以理解的数学公式则如下：  
 
  因此，我们只需要在均值滤波函数的基础上，增加一个normalize参数，通过normalize参数进行分支语句判断，实现对方框滤波函数的功能编写！  

2、自定义方框滤波函数

  1）、编写方框滤波函数功能  

import cv2
import numpy as np
#方框滤波
# 自定义方框滤波函数
def boxFiltering1(img, size,normalize): #img输入，size均值滤波器的尺寸，>=3，且必须为奇数
    num = int((size - 1) / 2)  # 输入图像需要填充的尺寸
    img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对传入的图像进行扩充，尺寸为num
    h1, w1 = img.shape[0:2]
    # 高斯滤波
    img1 = np.zeros((h1, w1, 3), dtype="uint8") #定义空白图像，用于输出中值滤波后的结果
    for i in range(num, h1-num): #对扩充图像中的原图进行遍历
        for j in range(num, w1-num):
            sum=0
            sum1=0
            sum2=0
            for k in range(i-num,i+num+1):  #求中心像素周围size*size区域内的像素的平均值
                for l in range(j-num,j+num+1):
                    sum=sum+img[k,l][0] #B通道
                    sum1=sum1+img[k,l][1] #G通道
                    sum2=sum2+img[k,l][2]  #R通道
            if normalize==True:#均一化处理，和均值滤波一样，除以25
                sum = sum / (size ** 2)
                sum1 = sum1 / (size ** 2)
                sum2 = sum2 / (size ** 2)
            else: #非均一化处理，溢出部分设置为255
                if sum2>255:
                    sum2=255
                else:
                    sum=sum2
                if sum1 > 255:
                    sum1 = 255
                else:
                    sum1 = sum1
                if sum>255:
                    sum=255
                else:
                    sum=sum
            img1[i, j]=[sum,sum1,sum2] #复制给空白图像
    img1=img1[(0+num):(h1-num),(0+num):(h1-num)] #从滤波图像中裁剪出原图像
    return img1

  2）、读取图像，添加噪声、进行方框滤波过滤并显示  

#读取图像
img=cv2.imread("g.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用均值滤波函数
result=boxFiltering1(img, 5,normalize=True) #传入读取的图像和核尺寸
result1=boxFiltering1(img, 5,normalize=False) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("JunYIHua",result)
cv2.imshow("NoJunYIHua",result1)
cv2.waitKey(0)

 
  从左到右依次为原图、均一化方框滤波、非均一化方框滤波  

3、OpenCV方框滤波库函数使用

  1）、在OpenCV函数库中，也为我们提供了方框滤波的库函数，函数原型如下所示： 函数原型rusult=cv2.boxFilter(img, deep, (szie,size), normalize)

• img：原始图像
• deep：原始图像深度
• (szie,size)：核尺寸
• normalize：归一化参数，normalize=1进行归一化，normalize=0，非归一化

  2）、方框滤波库函数使用  

#方框滤波OpenCV库
import cv2
import numpy as np
#读取图像
img=cv2.imread("g.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用均值滤波函数
result=cv2.boxFilter(img, -1, (5,5), normalize=1) #传入读取的图像和核尺寸
result1=cv2.boxFilter(img, -1, (5,5), normalize=0) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("JunYIHua-opencv",result)
cv2.imshow("NoJunYIHua-opencv",result1)
cv2.waitKey(0)

 
  对于方框滤波之所以使用以上图片，目的是为了能够使得非归一化的时候，图像显示给我们视觉上明显一点，用上面最开始的照片，由于像素值相加基本都大于255，所以非归一化显示后的图像基本为一张空白图，也就是说，全部像素都为255：白色。接下来，我们继续讨论中值滤波  

三、中值滤波

  上面我们介绍的均值滤波和方框滤波都属于邻域平均法，而在使用邻域平均法去噪的同时也使得边界变得模糊；而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。  

1、中值滤波原理

  1）、中值滤波原理 选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。 例如选择滤波的窗口如下图，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程如下：  
  2）、换成图像模板来理解就是将临近像素按照大小排列，取排序像素中位于中间位置的值作为中值滤波的像素值，如下图所示：  
  因此，通过该原理，我们便可以自定义中值滤波函数，对图像进行去噪，如下步骤所示  

2、自定义中值滤波函数

  1）、自定义中值滤波函数medianFiltering1(img, size)  

#中值滤波
# 自定义中值滤波函数
import cv2
import numpy as np
def medianFiltering1(img, size):  # img输入，size均值滤波器的尺寸，>=3，且必须为奇数
    num = int((size - 1) / 2)  # 输入图像需要填充的尺寸
    img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)
    h, w = img.shape[0:2]  # 获取输入图像的长宽和高
    img1 = np.zeros((h, w, 3), dtype="uint8")  # 定义空白图像，用于输出中值滤波后的结果
    for i in range(num, h - num):#遍历出原图像
        for j in range(num, w - num):
            sum=[]
            sum1=[]
            for k in range(i - num, i + num + 1):  # 求中心像素周围size*size区域内的像素的平均值
                for l in range(j - num, j + num + 1):
                    sum =sum+[int(img[k, l][0])+int(img[k, l][1])+int(img[k, l][2])] #每个像素的3通道像素值相加，然后求中间数
                    sum1=sum1+[(img[k, l][0],img[k, l][1],img[k, l][2])]#将对于的三通道像素值存在数组sum1中
            id=np.argsort(sum) #将像素值周围的点的数组进行排序，然后返回排序之前的像素值对应在数组中的序号
            id=id[int((size**2)/2)+1] #取返回序号的中间序号
            b,g,r=sum1[id]#通过中间序号找到在像素值数组中的3通道信号，然后分别复制给b,g,r
            img1[i, j]=[b,g,r] 
    img1 = img1[(0 + num):(h - num), (0 + num):(h - num)]
    return img1

  以上中值滤波函数中，第一个参数为需要进行中值滤波处理的图像，第二个参数则为核的尺寸   2）、读取图像添加噪声，然后进行中值滤波处理，并进行图像显示  

#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用均值滤波函数
result=medianFiltering1(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("medianFiltering",result)
cv2.waitKey(0)

 
  通过上图的结果对比，我们可以发现中值滤波基本完全消除了椒盐噪声，相对于均值滤波和方框滤波，中值滤波的特点就体现出来了。因此，我们可以得出结论：中值滤波对于消除孤立点和线段的干扰十分有用，尤其是对于二进噪声，但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，可以多次使用不同的中值滤波。   3）、扩展 上面我们通过原理可以知道，中值滤波在进行中值处理的时候，是选取的方形窗口，除了矩形窗口，我们还可以选取其他类型的窗口，例如十字口、环形、圆形：  
 

3、OpenCV中值滤波库函数使用

  当然，对椒盐噪声这么重要的中值滤波，OpenCV库函数肯定包含中值滤波函数，看一下中值滤波函数原型吧！   1）、函数原型result=cv2.medianBlur(img, size)

• img：需要进行中值滤波处理的图像
• size:核大小，核必须是大于1的奇数，如3、5、7等

  2）、中值滤波函数使用方法  

#OpenCV中值滤波库函数使用
import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用OpenCV库函数中的均值滤波函数
result=cv2.medianBlur(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("medianFiltering-opencv",result)
cv2.waitKey(0)

 
  库函数对图像进行中值滤波处理，和我们通过原理写的代码进行的中值滤波处理的效果是一样的，唯一区别就是通过原理编写的代码，运行结果较长，而OpenCV库函数调用运行的结果就在一瞬间就处理完成，这就是OpenCV对图像处理的优势之处啦，接下来，我们进入到最后环节，高斯滤波去噪，高斯滤波是这几种滤波中相差比较大的，原理比较简单，但核函数的构造比较困难，一起来看吧！  

四、高斯滤波

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。

1、高斯滤波原理

  1）、高斯滤波原理 图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3 * 3 和 5 * 5 领域的高斯模板：  
  高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4  
  2）、既然有权重，那么高斯核的权重是怎么计算出来的呢？这也就说高斯模糊中比较难得一部分了，原理比较简单，重要的就是对高斯核的构造；高斯核的构造主要通过以下原理进行理解： 正态分布的密度函数叫做”高斯函数”（Gaussian function）。它的一维形式是:  
  其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0,因此，方程可以改为如下所示：  
  根据一维高斯函数，可以推导得到二维高斯函数：  
  对于图像来说，需要的就是二维高斯核函数的计算公式，因此， 有了G(x，y)这个函数 ，就可以计算每个点的权重了。   提示：为了计算权重矩阵，需要设定σ的值。下面的原理中，假定σ=1.0  

2、自定义高斯滤波函数

  1）、定义高斯核函数，计算高斯核  

import cv2
import numpy as np
import math
#计算高斯卷积核
def gausskernel(size):
    sigma = 1.0 #设置σ=1.0
    gausskernel = np.zeros((size, size), np.float32) #通过传递的参数尺寸设置高斯核模板
    for i in range(size): #对高斯核进行遍历
        for j in range(size):
            norm = math.pow(i - 1, 2) + pow(j - 1, 2) #求解x平方加y平方的值
            gausskernel[i, j] = math.exp(-norm / (2 * math.pow(sigma, 2)))  # 求高斯卷积
    sum = np.sum(gausskernel)  # 求和
    kernel=gausskernel/sum # 归一化
    return kernel

  2）、自定义高斯滤波函数  

#自定义高斯滤波函数
def Gaussian(img,size):
    num = int((size - 1) / 2)  # 输入图像需要填充的尺寸
    img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE)#对原图像进行扩充，处理黑边
    h, w = img.shape[0:2]  # 获取输入图像的长宽和高
    # 高斯滤波
    img1 = np.zeros((h, w, 3), dtype="uint8")
    kernel =gausskernel(size)  # 计算高斯卷积核
    for i in range(num, h - num):
        for j in range(num, w - num):
            sum = 0
            q=0
            p=0
            for k in range(i-num, i+num+1):
                for l in range(j-num, j+num+1):
                    sum = sum + img[k,l] * kernel[q,p]  # 高斯滤波
                    p=p+1 #进行高斯核的列计数
                q=q+1 #进行高斯核的行计数
                p=0#内层循环执行完毕，将列计数为0，下次循环便可以再次从0开始
            img1[i, j] = sum
    img1 = img1[(0 + num):(h-num), (0+num):(h-num)]#裁剪原图
    return img1

  上面传递的参数一个为需要处理的图像和高斯核的尺寸   3）、读取图像添加噪声，调用自定义高斯滤波函数进行降噪处理并显示图像  

#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用OpenCV库函数中的均值滤波函数
result=Gaussian(img, 5) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("Gaussian",result)
cv2.waitKey(0)

 
  上图我们可以看出，高斯滤波对椒盐噪声的处理也并不是太好，其实高斯滤波的主要作用不是用来去除图像的椒盐噪声，而是消除图像的高斯噪声，通过调整高斯核大小，对图像进行模糊，不过模糊的过程中，就将噪声给简洁的隐藏了！   图像大多数噪声均属于高斯噪声，因此高斯滤波器应用也较广泛。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像去噪。   可以简单地理解为，高斯滤波去噪就是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到。  

3、OpenCV高斯滤波库函数使用

  既然高斯滤波比较广泛应用，因此OpenCV库函数中必有高斯滤波函数，一起了解高斯滤波库函数的使用方法吧！   1）、函数原型：result=cv2.GaussianBlur(img, (size,size), sigmaX，sigmaY)

• img:需要处理图像
• (size,size)：高斯核尺寸
• sigmaX:X方向上的高斯核标准偏差
• sigmaY:Y方向上的高斯核标准偏差;如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigma都为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，建议指定所有ksize，sigmaX和sigmaY。

  注意，核大小(size,size)必须是奇数，X方向方差主要控制权重。   2）、OpenCV高斯滤波库函数使用方法  

#OpenCV高斯滤波库函数使用
import cv2
import numpy as np
#读取图像
img=cv2.imread("my.jpg")
#获取图像属性
h, w = img.shape[0:2]
#加噪声
for i in range(3000):    #添加3000个噪声点
    x = np.random.randint(0, h) 
    y = np.random.randint(0, w)    
    img[x,y,:] = 255
#调用OpenCV库函数中的高斯滤波函数
result=cv2.GaussianBlur(img,(5,5),1,1) #传入读取的图像和核尺寸
cv2.imshow("src",img)
cv2.imshow("GaussianBlur-opencv",result)
cv2.waitKey(0)

 
  高斯滤波(Gauss filter)实质上是一种信号的滤波器，其用途为信号的平滑处理，数字图像用于后期应用，其噪声是最大的问题，因为误差会累计传递等原因，大多图像处理教材会在很早的时候介绍Gauss滤波器，用于得到信噪比SNR较高的图像（反应真实信号）。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。   以上就是本次博客的全部内容，遇到问题的小伙伴记得留言评论，学长看到会为大家进行解答的，这个学长不太冷！  

每一个人都拥有生命，却并非每个人都能读懂生命；每一个人都拥有头脑，却并非每一个人都能善用头脑。只有热爱生命，善于动脑的人，才算得上真正拥有生命。优美段落摘抄与君分享。